用变压器进行对比学习,以预测冠状动脉支架植入后DAPT患者的不良终点
Fang Li1, Zenan Sun2, Ahmed Abdelhameed1
1Department of Artificial Intelligence and Informatics, Mayo Clinic, Jacksonville, FL, United States.
Frontiers in cardiovascular medicine
|January 28, 2025
概括
一种新的对比学习模型改善了在药物释放支架植入后预测缺血和出血事件的预测. 这种方法为管理双重抗血小板治疗和个性化患者护理提供了更高的准确性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 双重抗血小板治疗 (DAPT) 的有效管理在药物释放支架 (DES) 植入后是预防心血管不良事件的关键.
- 传统的预测工具在固定的时间框架内显示适度的预测准确性.
- 本研究引入了一种先进的对比学习方法,以改善多次间隔的DAPT结果预测.
研究的目的:
- 开发和评估一种基于对比学习的新型模型,用于在DES植入后预测缺血和出血事件.
- 提高DAPT管理的预测工具的准确性和适应性.
- 在多个时间点提供精确的预测见解,以实现个性化的心脏病学.
主要方法:
- 利用来自OneFlorida+临床研究联盟的回顾性现实世界数据.
- 使用自动编码器进行特征压缩,并使用具有多头注意力的变压器进行突出特征放大.
- 应用对比式学习来完善预测,并使用多个损失函数优化模型,与DeepSurv,DeepHit和SurvTrace进行基准测试.
主要成果:
- 最终的队列包括19,713名接受DES植入的成年患者.
- 对比式学习模型在1-12个月的预测窗口中展示了对缺血和出血事件的优异预测性能.
- 实现了从0.88到0.80 (缺血) 和0.82到0.77 (出血) 的时间依赖一致性 (Ctd) 指数值,始终超过基线深度学习模型的表现.
结论:
- 对比式学习模型显示了提高DAPT管理的巨大潜力.
- 精确的,多时间点的预测洞察力支持心脏病学中的适应性,个性化治疗策略.
- 这种方法在DES植入后改善患者的结果方面具有实质性价值.
