Ein Algorithmus entwickelt von Fakultät an Der University of Texas Health Science Center in Houston (UTHealth) kann helfen, die ärzte außerhalb der großen Schlaganfall-Behandlung Zentren zu beurteilen, ob ein patient leidet unter ischämischen Schlaganfall profitieren von einer endovaskulären Verfahren zum entfernen eines Blutgerinnsels Blockierung einer Arterie.
Ergebnisse von Ihrer klinischen Studie mit dem Algorithmus wurden online veröffentlicht heute in der Fachzeitschrift Stroke.
Endovaskuläre thrombectomy ist ein Verfahren, das einfädeln einen Katheter durch die femoralarterie im Bein den ganzen Weg, um das Gehirn, wo das Gerinnsel kann mechanisch entfernt werden. Seit 2015 haben Studien gezeigt, kann es die Ergebnisse verbessern Patienten nach einem Schlaganfall, aber nur, wenn die Menge der Gehirn-Gewebe, das verletzt worden ist minimal an der Zeit der Behandlung.
Leider, advanced neuroimaging, zu erkennen, innerhalb von Stunden, ob ein patient ein Kandidat für die Behandlung beschränkt sich auf emergent magnetic-Resonanz-Tomographie oder Computertomographie (CT) perfusion. Diese Art von Technologie und know-how nicht verfügbar sind, die meisten Gemeinde-Krankenhäuser und primären Schlaganfall-Zentren.
„Mit der endovaskulären thrombectomy, haben wir nun eine Behandlung für ischämischen Schlaganfall, ist wirklich Revolutionär. Es ermöglicht uns, um Schlaganfall-Patienten, die von schwerer Behinderung und Sie wieder zu einem fast normalen Leben“, sagte Sunil A. Sheth, MD, entsprechender Autor und assistant professor für Neurologie mit McGovern Medizinischen Fakultät an der UTHealth. „Leider, die moderne bildgebende Verfahren verwendet, die derzeit zu identifizieren, welche Patienten von diesem Verfahren profitieren, sind nicht überall verfügbar außerhalb von großen Spitälern. Als Ergebnis, die meisten Schlaganfall-Patienten haben keinen Zugang zu guideline-basierte screening für diese Behandlungen.“
In der Antwort, Sheth und Luca Giancardo, Ph. D., senior-Autor und assistant professor an der UTHealth-Schule der Biomedizinischen informatik, entwickelt eine Maschine-learning-tool, das verwendet werden könnte, mit ein weit verbreitetes bildgebendes Verfahren, CT-Angiographie. Das tool kann Bilder analysieren, indem Sie automatisch „lernen“ subtilen Bild-Muster, die verwendet werden kann als ein proxy für andere anspruchsvollere, aber nicht leicht erhältlich, bildgebenden Modalitäten wie CT-perfusion. Die machine-learning-Architektur, genannt DeepSymNet, wurde entwickelt, bei UTHealth.
Testen Sie das tool, das research-team identifiziert, die Patienten in den stroke registry, der hatte einen Schlaganfall erlitten oder hatten Bedingungen, die nachgeahmt Schlaganfall.
Von den 224, der hatte Schlaganfall, 179 hatte, zerebralen Blutgefäßen, die blockiert wurden. Die DeepSymNet-Algorithmus gelernt, zu identifizieren, diese Blockaden aus dem CT-Angiographie-Bildern, und trainiert die software zu verwenden, die gleichen Bilder zu definieren, den Bereich des Gehirns, der gestorben war, mit gleichzeitiger erworben CT-perfusion-scans als „gold standard“.