一个深度学习模型,用于识别急性大动脉剖析中使用初始诊断数据识别中膜缺血风险:算法开发和验证

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 胃肠道手术 胃肠道手术

背景情况:

• 间腔内血 (Mesenteric malperfusion,MMP) 是急性大动脉切割 (AAD) 的一种罕见但严重的并发症.
• 由于缺乏可靠的风险评估工具,在AAD患者中延迟诊断MMP有助于结果差.

研究的目的:

• 开发和验证一个深度学习模型,用于识别MMP高风险的AAD患者.
• 该模型整合了多式联运数据,以改善风险预测.

主要方法:

• 一个多中心的回顾性研究,涉及525名AAD患者.
• 开发了三个模型:基准 (实验室数据),MAM (CT血管学) 和集成 (多式联络数据).
• 使用AUC,精度,灵敏度,特异性和Brier分数评估模型性能;用于可视化使用CAM.

主要成果:

• 与基准 (0.586) 和MAM (0.732) 模型相比,综合模型在外部验证中表现优异 (AUC 0.780).
• 综合模型的准确度为76.0%,灵敏度为66.7%,特异性为78.3%.
• 综合模型的风险评分与AAD患者的住院死亡风险独立相关.

结论:

• 使用成像和临床数据的集成深度学习模型在AAD患者中为MMP提供了优越的诊断准确性,与单模方法相比.
• 这种模型可以帮助早期识别风险并及时做出治疗决策.
• 建议进行进一步的前性验证,以确认临床效用.