预测24小时血压变化后的血栓切除术使用机器学习,用于从前部循环发生的缺血性中风患者的大血管闭塞

科学领域:

• 神经学 神经学
• 心脏病学 心脏病学
• 数据科学数据科学数据科学

背景情况:

• 机械血栓切除术是缺血性中风与大血管封闭的标准.
• 术后血压变化 (BPV) 升高与功能表现不佳相关.
• 确定BPV的预测因子对于改善患者管理至关重要.

研究的目的:

• 确定机械血栓切除术后24小时血压变化 (BPV) 增加的预测因素.
• 利用机器学习来识别BPV的关键预测因素.
• 为了使风险中风患者的BPV能够主动管理.

主要方法:

• 对395名接受机械血栓切除术 (2016-2019) 的患者进行了回顾性分析.
• 主要结局:充分的 (TICI 2b+) 和不充分的再输血组之间的BPV比较.
• 随机森林分析以确定BPV预测因子;二次结果的多变量回归 (功能状态,再流).

主要成果:

• 较高的年龄,NIHSS,通过次数和机械通风与较差的90天功能结果 (mRS ≤2) 有关.
• 机器学习确定了从最后一个已知的井到沟穿孔的时间,年龄和NIHSS作为24小时BPV增加的显著预测因素.
• 82%的患者实现了充分的再输血 (TICI 2b+).

结论:

• 穿刺的时间,年龄和NIHSS是血栓切除术后BPV的关键预测因素.
• 机器学习模型可以识别BPV的高风险患者.
• 早期识别允许有针对性的血压管理,以改善中风的结果.