开发和验证深度学习模型,用于预测症状内动脉狭窄症患者的长期预后
Qianjin Ding1, Shaojie Zhang2, Li Pan2
1Department of Neurosurgery, Xinxiang Center Hospital, Xinxiang, Henan, 453000, People's Republic of China.
International journal of general medicine
|October 30, 2025
概括
与逻辑回归相比,深度学习模型显著提高了对内动脉狭窄症 (ICAS) 进展的预测. 这一进步有助于在中风患者的早期风险分层,使得及时干预和个性化治疗策略.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 心血管研究研究心血管研究
背景情况:
- 症状性内动脉狭窄症 (ICAS) 是缺血性中风的主要原因.
- ICAS进展增加了中风复发风险,并使患者的结果恶化.
- 准确预测ICAS进展对于有效的患者管理至关重要.
研究的目的:
- 开发和验证后勤回归和深度学习模型,用于预测症状ICAS进展.
- 为了比较这些模型的预测性能.
主要方法:
- 一项追溯研究对266名症状ICAS患者进行了超过3年的随访.
- 数据预处理包括规范化,特征选择和类平衡.
- 后勤回归和深度学习模型进行了训练和验证.
主要成果:
- 深度学习模型实现了更高的曲线下的面积 (AUC) 0.863 (验证) 与物流回归的0.767相比.
- 深度学习模型显示了统计学上显著的改善 (p=0.016).
- 确定了关键预测因素:高血压,糖尿病,狭窄程度,以及之前的中风史.
结论:
- 与物流回归相比,深度学习模型为ICAS进展提供了更高的预测准确性.
- 这些模型在风险分层方面具有显著的临床实用性潜力.
- 早期识别高风险患者可以指导个性化治疗策略.
更多相关视频
05:12A Mouse Model for Vascular Cognitive Impairment and Dementia Based on Needle-guided Asymmetric Bilateral Common Carotid Artery Stenosis
Published on: November 22, 2024
1.3K
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
534
