干预治疗后残留三管吐的预测因素:一个自动化的深度学习CT分析

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 三管反 (TR) 是一种显著的膜心脏病.
• 计算机断层扫描 (CT) 在选择干预性TR疗法的设备方面起着重要作用.
• 在TR干预中预测程序成功仍然是一个临床挑战.

研究的目的:

• 用CT和深度学习算法评估TR减少的预测因素.
• 评估三管在程序结果中的作用.
• 确定成像生物标志物,以指导干预TR疗法选择.

主要方法:

• 追溯分析了84名患有重度至暴流性TR的患者的CT扫描,这些患者接受了皮穿式结婚整形术 (PA) 或三管横导管边缘到边缘修复 (T-TEER).
• 自动深度学习算法用于分析三巴的解剖学,右心形态和功能.
• 干预前CT成像参数的相关性,特别是帐高度和角度,与干预后TR严重程度 (TR ≤1) 和所有原因的死亡率.

主要成果:

• 成功实现TR降低 (TR ≤1) 的患者的帐高度显著降低,帐角度更小.
• 遮蔽高度在预测术后TR严重程度方面表现出很好的准确性,对T-TEER (6.8毫米) 和PA (9.2毫米) 组确定了特定的值.
• 干预后较低的TR与随访期间的死亡率降低有关 (4%对12%).

结论:

• 三管幕是干预性TR治疗中手术成功的显著成像预测器.
• 对CT扫描的深度学习分析可以量化tenting参数,以改善患者选择.
• 帐评估应纳入接受干预TR程序的患者的查过程.