CN114305323A - 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 - Google Patents
经导管主动脉瓣置换术术后并发症预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114305323A CN114305323A CN202011030008.4A CN202011030008A CN114305323A CN 114305323 A CN114305323 A CN 114305323A CN 202011030008 A CN202011030008 A CN 202011030008A CN 114305323 A CN114305323 A CN 114305323A
- Authority
- CN
- China
- Prior art keywords
- tavi
- data
- postoperative
- ascending aorta
- valve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000001765 aortic valve Anatomy 0.000 title claims abstract description 105
- 208000035965 Postoperative Complications Diseases 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002980 postoperative effect Effects 0.000 claims abstract description 104
- 238000002513 implantation Methods 0.000 claims abstract description 96
- 206010058046 Post procedural complication Diseases 0.000 claims abstract description 55
- 210000000709 aorta Anatomy 0.000 claims description 117
- 230000002861 ventricular Effects 0.000 claims description 92
- 210000004115 mitral valve Anatomy 0.000 claims description 37
- 210000003205 muscle Anatomy 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 30
- 238000001356 surgical procedure Methods 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000002107 myocardial effect Effects 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 11
- 230000002308 calcification Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000007943 implant Substances 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 210000004165 myocardium Anatomy 0.000 description 13
- 238000013486 operation strategy Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 4
- 208000027896 Aortic valve disease Diseases 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 208000032750 Device leakage Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010002915 Aortic valve incompetence Diseases 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 208000015121 Cardiac valve disease Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 206010002906 aortic stenosis Diseases 0.000 description 1
- 201000002064 aortic valve insufficiency Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004375 bundle of his Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000000596 ventricular septum Anatomy 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Surgical Instruments (AREA)
- Prostheses (AREA)
- Instructional Devices (AREA)
Abstract
本发明涉及一种经导管主动脉瓣置换术(TAVI)术后并发症预测方法、装置及设备，属于术后预测技术领域，该方法通过采集目标患者的特征数据，并将特征数据对应地输入预设TAVI术后并发症预测模型中，从而得到目标患者的TAVI术后并发症预测结果；TAVI术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。本发明中特征数据由CT数据下的解剖指标获得，易于获取，相较使用有限元的方案，更容易普及以及软件化；本发明关注人工主动脉瓣在释放过程中的起始植入深度的问题，相较有限元方案，仅关注瓣膜完整释放之后人工瓣膜的植入深度，更具有临床应用价值，同时对临床结局的预测更加精确。
Description
技术领域
本发明属于术后预测技术领域，具体涉及一种经导管主动脉瓣置换术术后并发症预测方法、装置及设备。
背景技术
主动脉瓣疾病，包括主动脉瓣狭窄以及反流，是常见的心脏瓣膜疾病，有症状的主动脉瓣疾病患者预后往往不好。经导管主动脉瓣置换术(Transcatheter Aortic ValveImplantation，TAVI)是一种新型的主动脉瓣疾病的微创治疗技术，该手术通过将一枚压缩的人工主动脉瓣(缝制了瓣膜的支架)通过血管途径释放至病变的主动脉瓣处实现对疾病的治疗，具有创伤小，恢复快，住院周期短等特点。
然而，这种人工瓣膜释放释放后可能存在瓣周间隙，同时人工瓣膜释放过程中可能会损伤传导束，很可能导致瓣周漏(血液从升主动脉经支架与主动脉瓣周复合体间隙反流回左心室)以及永久起搏器植入(因人工瓣膜支架损伤传导束出现房室传导阻滞)，称为TAVI术后的常见并发症。现在有证据表明，起搏器植入以及中度及以上的瓣周漏可影响患者的长期预后。
现在的研究发现，在术后起搏器植入方面，较长的室间隔膜部的长度、较小的支架与瓣环的比值以及较浅的人工瓣膜的植入深度是现在公认的TAVI术后起搏器植入的保护因素。而在瓣周漏方面，较深的人工瓣膜植入深度、不同的瓣叶类型，不同的病因以及中度以上的左室流出道钙化程度是TAVI术后瓣周漏的预测因素。但是，在临床治疗过程中，上述预测因素对TAVI术后并发症的预测能力有限。医生通过CT数据对上述预测因素进行分析，进而决定植入人工瓣膜的尺寸以及手术过程中人工瓣膜的起始植入深度对TAVI术后并发症的改善不显著。
为了解决此问题，现有技术方案通过CT技术进行三维建模，进而采用专业技术人员通过有限元的手段对术后瓣周漏以及起搏器植入进行预测方法，该技术方案理论上可降低TAVI术后并发症发生率。但是现有技术方案对专业技术人员的要求高，不具备推广性。同时，现有预测方案仅仅针对支架释放后的状态对手术并发症进行预测，未考虑TAVI手术过程中人采用的手术策略(即人工瓣膜的释放的初始深度)对手术结局的影响。因而现有技术方案症存在推广难度大，预测不全面等固有缺陷。
发明内容
为了至少解决现有技术存在的上述问题，本发明提供了一种经导管主动脉瓣置换术术后并发症预测方法、装置及设备，纳入了升主动脉、室间隔心肌分型，主动脉瓣二尖瓣帘长度等新的发明指标，在机器学习的加持下可以提升预测准确度和便捷性。
本发明提供的技术方案如下：
一方面，一种经导管主动脉瓣置换术术后并发症预测方法，包括：
获取目标患者的特征数据，所述特征数据，包括：瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据；
根据所述特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取所述目标患者的经导管主动脉瓣置换术术后并发症预测结果；所述经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果；
所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为：在距瓣环上方25-45mm高度范围内选取升主动脉横截面所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面距离瓣环高度以及所述横截面与瓣环成角特征为所述升主动脉角度；
所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示；
所述主动脉瓣二尖瓣帘宽度的测量标准为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。
可选的，所述经导管主动脉瓣置换术术后并发症预测模型的构建方法，包括：
建立数据集，所述数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型；所述TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型。
可选的，所述根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型，包括：
获取模型构建特征数据和标签数据；
基于所述模型构建特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；
对所述初步TAVI术后并发症预测模型进行训练和测试；
获取外部验证数据；
根据所述外部验证数据，对训练和测试后的所述初步TAVI术后并发症预测模型进行外部验证；
在外部验证的ROC标准高于0.8时，获取所述TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大所述数据集，重新构建所述TAVI术后并发症预测模型。
可选的，所述机器学习路径中的算法包括常用的logistics回归，支持向量机，朴素贝叶斯、决策树以及回归森林算法；
所述对所述初步TAVI术后并发症预测模型进行训练和测试和训练集与测试集的比例为4:1。
可选的，建立所述TAVI术后起搏器植入预测模型时的数据，包括：第一子特征数据和第一子标签数据；
所述第一子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、室间隔膜部长度、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、瓣膜扩张率与人工瓣膜初始植入深度；
所述第一子标签数据为：患者术后是否进行起搏器植入；
所述建立所述TAVI术后起搏器植入预测模型时的数据属于所述数据集。
可选的，建立所述TAVI术后瓣周漏预测模型时的数据，包括：第二子特征数据和第二子标签数据；
所述第二子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、传导区域室间隔肌部突出情况、左室流出道钙化情况、左室流出道直径/瓣环直径、主动脉瓣二尖瓣帘宽度、瓣膜扩张率与人工瓣膜初始植入深度；
所述第二子标签数据，包括：患者术后是否发生术后瓣周漏；
所述建立所述TAVI术后瓣周漏预测模型时的数据属于所述数据集。
又一方面，一种经导管主动脉瓣置换术术后并发症预测装置，包括：获取模块和预测模块；
所述获取模块，用于获取目标患者的特征数据，所述特征数据，包括：瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据；
所述预测模块，用于根据所述特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取所述目标患者的经导管主动脉瓣置换术术后并发症预测结果；所述经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果；
其中，所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为：在距瓣环上方25-45mm高度范围内选取升主动脉横截面，所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面距离瓣环高度以及所述横截面与瓣环成角特征为所述升主动脉角度；所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示；
所述主动脉瓣二尖瓣帘宽度的测量标准为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。
可选的，还包括：术前预测模型构建模块；
所述术前预测模型构建模块，用于建立数据集，所述数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型；所述TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型。
可选的，所述术前预测模型构建模块，用于获取模型构建特征数据和标签数据；基于所述模型构建特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；对所述初步TAVI术后并发症预测模型进行训练和测试；获取外部验证数据；根据所述外部验证数据，对训练和测试后的所述初步TAVI术后并发症预测模型进行外部验证；在外部验证的ROC标准高于0.8时，获取所述TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大所述数据集，重新构建所述TAVI术后并发症预测模型。
又一方面，一种经导管主动脉瓣置换术术后并发症预测设备，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述任一项所述的经导管主动脉瓣置换术术后并发症预测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本发明的有益效果为：
本发明实施例提供的经导管主动脉瓣置换术术后并发症预测方法、装置及设备，通过采集目标患者的特征数据，并将特征数据对应地输入预设经导管主动脉瓣置换术术后并发症预测模型中，从而得到目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。本发明中特征数据由CT数据下的解剖指标获得，易于获取，相较使用有限元的方案，更容易普及以及软件化；本发明关注人工主动脉瓣在释放过程中的起始植入深度的问题，相较“有限元”方案，仅关注瓣膜完整释放之后人工瓣膜的植入深度，更具有临床应用价值，同时对临床结局的预测更加精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测方法流程示意图；
图2为本发明实施例提供的一种升主动脉数据测量示意图；
图3为本发明实施例提供的一种以人工测量为例主动脉瓣二尖瓣帘宽度的测量示意图；
图4为本发明实施例提供的一种室间隔形态测量示意图；
图5为本发明实施例提供的一种构建TAVI术后并发症预测模型的方法流程示意图；
图6为本发明实施例提供的一种不同升主动脉解剖类型发生中度以上瓣周漏示意图；
图7为本发明实施例提供一种在不同类型室间隔肌部中采用不同类型的植入策略术后起搏器植入存在差异示意图；
图8为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测装置结构示意图；
图9为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
为了至少解决本发明中提出的技术问题，本发明实施例提供一种经导管主动脉瓣置换术术后并发症预测方法。
图1为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测方法流程示意图，请参阅图1，本发明实施例提供的方法，可以包括以下步骤：
S11、获取目标患者的特征数据。
S12、根据特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。
在一个实际的经导管主动脉瓣置换术术后并发症预测过程中，可以定义要预测的患者为目标患者，根据本申请实施例提供的经导管主动脉瓣置换术术后并发症预测方法，对其术后并发症进行预测。
例如，首选采集目标患者的特征数据，并将特征数据对应地输入预设经导管主动脉瓣置换术术后并发症预测模型中，从而得到目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。
其中，预测结果可以为理论手术策略下该患者起搏器或瓣周漏的发生几率，医护人员可以根据预测结果，来对目标患者进行针对性的术后干预。在进行预测时，通过获取对应的特征数据，即可以进行预测，预测方案简单、易于推广，同时，考虑了TAVI术后起搏器植入预测和TAVI术后瓣周漏预测，使得预测更加全面。
其中，特征数据可以为瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据。
图2为本发明实施例提供的一种升主动脉数据测量示意图；图3为本发明实施例提供的一种以人工测量为例主动脉瓣二尖瓣帘宽度的测量示意图；图4为本发明实施例提供的一种室间隔形态测量示意图。
其中，所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为(参阅图2)：在距瓣环上方25-45mm(优选35mm)高度范围内选取升主动脉横截面，所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面距离瓣环高度以及所述横截面与瓣环成角特征为所述升主动脉角度；
所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述主动脉瓣二尖瓣帘宽度的测量标准(参阅图3)为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。参阅图3，图3A，确定瓣下平面中的牛角征(五角星)，圆点为瓣叶附着处；图3B，主动脉瓣二尖瓣帘宽度为恰好没有牛角征的平面到瓣环平面的距离。
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示。参阅图4，在图4中，图4A为主动脉瓣瓣环平面，其中a区域对应的室间隔为传导区域室间隔b区域对应的是非传导区域室间隔。在人工条件下可通过切面1和切面2分别评估传导区域及非传导区域室间隔心肌情况；图4B中，在非传导区域切面，室间隔突入左室流出道由主动脉瓣直径/左室流出道直径表示(d/e)，c的长度等于室间隔膜部长度；图4C中，在传导区域切面(融合了术中造影)，突出的室间隔肌部可使His束(点)更容易暴露在室间隔膜部以上释放的支架中，因此突出的传导区域的室间隔肌部(C、D、E、)是术后起搏器植入的危险因素，而平滑的传导区域的室间隔肌部(F、G)是术后起搏器植入的保护因素。
在一些实施例中，可选的，经导管主动脉瓣置换术术后并发症预测模型的构建方法，包括：
建立数据集，数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据数据集与机器学习技术，构建TAVI术后并发症预测模型；TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型。
图5为本发明实施例提供的一种构建TAVI术后并发症预测模型的方法流程示意图。
例如，参阅图5，在构建经导管主动脉瓣置换术术后并发症预测模型时，可以分别构建TAVI术后起搏器植入预测模型(模型1)和TAVI术后瓣周漏预测模型(模型2)。首先，建立数据集，数据集内包括多个经导管主动脉瓣置换术的患者特征数据，如，可以采集同类型人工瓣膜的至少200例患者数据(包括术前CT，术中人工瓣膜大小型号，术中瓣膜释放初始释放高度以及术后瓣周漏与永久起搏器植入情况)用于构建本申请的术后并发症预测模型。
在一些实施例中，可选的，根据数据集与机器学习技术，构建TAVI术后并发症预测模型，包括：获取特征数据和标签数据；基于特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；对初步TAVI术后并发症预测模型进行训练和测试；获取外部验证数据；根据外部验证数据，对训练和测试后的初步TAVI术后并发症预测模型进行外部验证；在外部验证的ROC标准高于0.8时，获取TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大数据集，重新构建TAVI术后并发症预测模型。
在一些实施例中，可选的，机器学习路径中的算法包括常用的logistics回归，支持向量机，朴素贝叶斯、决策树以及回归森林算法；对初步TAVI术后并发症预测模型进行训练和测试，训练集与测试集的比例为4:1。
在一些实施例中，可选的，建立TAVI术后起搏器植入预测模型时的数据，包括：第一子特征数据和第一子标签数据；第一子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、室间隔膜部长度、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、瓣膜扩张率与人工瓣膜初始植入深度；第一子标签数据为：患者术后是否进行起搏器植入；建立TAVI术后起搏器植入预测模型时的数据属于数据集。
在一些实施例中，可选的，建立TAVI术后瓣周漏预测模型时的数据，包括：第二子特征数据和第二子标签数据；第二子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、传导区域室间隔肌部突出情况、左室流出道钙化情况、左室流出道直径/瓣环直径、主动脉瓣二尖瓣帘宽度、瓣膜扩张率与人工瓣膜初始植入深度；第二子标签数据，包括：患者术后是否发生术后瓣周漏；建立TAVI术后瓣周漏预测模型时的数据属于数据集。
例如，本发明实施例中对建立TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型的具体过程进行说明。
首先，获取数据集中患者的特征数据，如，特征数据可以为根据CT数据特征采集的解剖特征，具体可包括如下数据：
获取瓣环周长数据，获取方法为：选取心脏舒张期时项目数据，根据患者术前CT数据标记患者主动脉瓣瓣环，获取瓣环周长数据；
获取瓣膜结构特征数据，获取方法为：根据病因将瓣膜分为狭窄为主、风湿性病变以及单纯反流疾病三类。根据瓣膜形态将瓣叶类型区分为三叶瓣以及二叶瓣两类；
获取瓣下结构特征数据，获取方法为：采集室间隔膜部下缘距瓣环平面的平均距离(室间隔膜部长度)。根据室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道，记录突出或者不突出(传导区域室间隔肌部突出情况)。采集非传导区域室间隔肌部突入左室流出道情况，由“左室流出道直径/瓣环直径”表示。采集主动脉瓣二尖瓣帘宽度，采集办法(以人工采集为例)关注瓣环下平行于瓣环的平面是否存在牛角征(由二尖瓣C1区域瓣叶与心室壁构成的尖角形征象)，主动脉瓣二尖瓣帘宽度为恰好无牛角征的平面到瓣环的距离。对于存在流出道钙化的患者，根据Taishi Okuno等分型办法区分严重程度并记录出现中度及以上的左心室流出道钙化(存在两坨左室流出道钙化或者钙化向各个方向延伸超过5mm或者钙化覆盖了10％的左室流出道)。
获取手术信息数据，获取方法为：根据术中使用的瓣膜型号，通过公式(人工瓣膜流入道直径*3.14/瓣环周长)计算瓣膜扩张率。通过术中造影采集瓣膜最起始释放深度，根据其实际释放深度与室间隔膜部长度比较判断起始释放深度是否在室间隔膜部之上并采集。
其中，其中，升主动脉周长、升主动脉角度、室间隔心肌突出情况、动脉瓣二尖瓣帘宽度的获取方法已在上述说明中记载，此处不做赘述。
在本发明实施例中，定义术后起搏器植入为术前无起搏器植入指针的患者因TAVI损伤传导束植入起搏器。术后瓣周漏通过术后心脏超声评估。
在特征数据获取完成后，分别对TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型的构建进行说明。
例如，在构建TAVI术后起搏器植入预测模型时，通过机器学习路径，将病因、升主动脉周长、升主动脉角度、瓣叶类型、室间隔膜部长度、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、瓣膜扩张率与人工瓣膜初始植入深度作为特征，患者术后是否进行起搏器植入作为标签，以既往至少200例数据为基础进行模型的构建。构建模型法时，算法包括常用的logistics回归，支持向量机，朴素贝叶斯、决策树以及回归森林算法。将算法中预测效能最好的用于构建模型。验证方式首先为4：1构建训练集：测试集进行内部5-fold验证。此后额外纳入100例病人进行外部验证。若外部验证显示曲线下面积(ROC)<0.8，则扩大样本量重复上述步骤再次建模。
例如，在构建TAVI术后瓣周漏预测模型时，通过机器学习路径，将病因、升主动脉周长、升主动脉角度、瓣叶类型、传导区域室间隔肌部突出情况、左室流出道钙化情况、左室流出道直径/瓣环直径、主动脉瓣二尖瓣帘宽度、瓣膜扩张率与人工瓣膜初始植入深度作为特征，患者术后是否发生术后瓣周漏作为标签，以既往至少200例数据为基础进行模型的构建。构建模型时，算法包括常用的logistics回归，支持向量机，朴素贝叶斯、决策树以及回归森林算法。构建模型时，将算法中预测效能最好的用于构建模型。验证方式首先为4：1构建训练集：测试集进行内部5-fold验证。此后额外纳入100例病人进行外部验证。若外部验证显示曲线下面积(ROC)<0.8，则扩大样本量重复上述步骤再次建模。
从而实现对TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型的构建。
例如，在模型构建完成后，医护人员可以通过采集目标患者的特征数据，将特征数据分别输入到TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型中，来实现预测。参阅图5，为了进一步提升预测效果，在进行特征数据输入时，可以采取组合策略进行预测，如：基于人工瓣膜说明书，根据瓣环大小确定推荐的拟植入的瓣膜尺寸，以及相较该尺寸小一型号的瓣膜尺寸作为备选植入尺寸，与瓣膜初始释放高度是否在室间隔膜部之上两两结合，获得4种理论手术策略组合。根据采集瓣环直径计算不同型号人工瓣膜(23mm、26mm、29mm、32mm)的理论瓣膜扩张率，从而获得到4中策略下每种策略的TAVI术后起搏器植入预测概率和TAVI术后瓣周漏预测概率，从而选择合适的手术策略进行手术。
本发明实施例提供的经导管主动脉瓣置换术术后并发症预测方法，通过采集目标患者的特征数据，并将特征数据对应地输入预设经导管主动脉瓣置换术术后并发症预测模型中，从而得到目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。本发明中特征数据由CT数据下的解剖指标获得，易于获取，相较使用有限元的方案，更容易普及以及软件化；本发明关注人工主动脉瓣在释放过程中的起始植入深度的问题，相较“有限元”方案，仅关注瓣膜完整释放之后人工瓣膜的植入深度，更具有临床应用价值，同时对临床结局的预测更加精确。
本发明实施例提供的有益效果如下：
1.本发明通过标准化升主动脉测量方式，将升主动脉特征化为距离瓣环25-45mm(最佳为35mm)的横截面的周长与横截面与瓣环所成的角度。
2.本发明将室间隔肌部分为传导区域心肌和非传导区域额心肌，并且通过定性或定量的方式对室间隔心肌突入左室流出道的特征进行特征化。
3.本发将主动脉瓣二尖瓣帘长度作为主动脉瓣瓣环下结构的特征以预测瓣周漏预测。同时，项目提出了人工测量主动脉瓣二尖瓣帘长度的方法为“关注瓣环下平行于瓣环的平面是否存在牛角征(由二尖瓣C1区域瓣叶与心室壁构成的尖角形征象)，主动脉瓣二尖瓣帘宽度为恰好无牛角征的平面到瓣环的距离”。
4.本发明将病因、升主动脉周长、升主动脉角度、瓣叶类型、室间隔膜部长度、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径与手术策略组合(瓣膜扩张率与人工瓣膜初始植入深度)作为起搏器植入的特征，通过过机器学习的方法构建TAVI术后起搏器植入预测模型。
5.本发明将升主动脉周长、升主动脉角度、瓣叶类型、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、主动脉瓣二尖瓣帘宽度与手术策略组合(瓣膜扩张率与人工瓣膜初始植入深度)作为术后瓣周漏的特征，通过机器检索的方式构建TAVI术后瓣周漏预测模型。
6.本发明将TAVI术中植入策略以初始植入深度在室间隔膜部之上或者之下作为预测模型建立指标以及输出结果的分类标准。
为了对本发明实施例提供的预测模型进行说明，本发明实施例还提供应用预测模型指导TAVI手术的实验过程：
通过舒张期CT数据采集患者解剖信息；根据上述实施例记载的步骤，根据患者CT数据采集患者解剖特征。
基于人工瓣膜说明书，根据瓣环大小确定推荐的拟植入的瓣膜尺寸，以及相较该尺寸小一型号的瓣膜尺寸作为备选植入尺寸，与瓣膜初始释放高度是否在室间隔膜部之上两两结合，获得4种理论手术策略组合。根据采集瓣环直径计算不同型号人工瓣膜(23mm、26mm、29mm、32mm)的理论瓣膜扩张率。
参阅图5，根据本发明实施例提供的TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型，预测不同瓣膜型号与不同初始植入深度下TAVI术后起搏器植入以及瓣周漏的发生率。
将与上述实施例中记载的对应解剖特征与4种理论手术策略组合分别结合纳入TAVI术后起搏器植入预测模型，生成4种不同理论手术策略下TAVI术后起搏器植入率预测结果。
将与上述实施例记载的对应解剖特征与4种理论手术策略组合分别结合纳入TAVI术后瓣周漏预测模型，生成4种不同理论手术策略下TAVI术后瓣周漏预测结果。
根据以上结果可以指导临床瓣膜选择以及瓣膜初始释放高度以获得最低概率的起搏器植入率以及术后瓣周漏发生率，从而改善TAVI术后结局。
实验依据证明：
表1为本实施例提供的一种logistics多因素分析表；图6为本发明实施例提供的一种不同升主动脉解剖类型发生中度以上瓣周漏示意图。
在图6中，Type1:升主动脉周长小于105.7mm同时升主动脉角度小于15.9度；Type2:升主动脉周长小于105.7mm同时升主动脉角度大于等于15.9度；Type 3:升主动脉周长大于等于105.7mm同时升主动脉角度小于15.9度；Type 4:升主动脉周长大于等于105.7mm同时升主动脉角度大于等于15.9度。
图7为本发明实施例提供一种在不同类型室间隔肌部中采用不同类型的植入策略术后起搏器植入存在差异示意图。参阅图7(A)，在P＝0.031时，在瓣膜初始植入深度在室间隔膜部之上时，发生高度传导阻滞的几率，明显高于瓣膜初始植入深度在室间隔膜之下时。参阅图7(B)，在P＝0.307时，在瓣膜初始植入深度在室间隔膜部之上时，发生高度传导阻滞的几率，低于瓣膜初始植入深度在室间隔膜之下时。
在一项研究中，纳入115例接受TAVI治疗的患者。参见表1和图6-7，根据上述实施例记载的方法获取患者升主动脉周长、升主动脉角度及其他参数参数。以术后是否发生起搏器植入为结果，通过logistics回归分析去除混杂因素显示升主动脉周长与升主动脉角度是TAVI术后起搏器植入的独立预测因素。根据这两项指标以及室间隔膜部长度构建的logistic回归模型显示出较强的术后起搏器植入的预测能力(曲线下面积为0.724)。同时，这项研究显示较大的升主动脉周长以及较小的升主动脉角度与术后更深的人工瓣膜植入深度相关。人工瓣膜植入深度与术后瓣周漏发生相关。研究进而研究显示当升主动脉周长大于105.7mm同时升主动脉角度小于15.9°时，术后严重瓣周漏发生率显著增高(20.6％，P＝0.013)。
另一项研究，纳入了138例接受TAVI手术的患者。跟据上述实施例记载的方法获取部分瓣下结构特征。通过logistic回归分析显示突出的传导区域室间隔肌部是术后起搏器植入的危险因素，而相反突出的非传导区域心肌(左室流出道直径/瓣环直径<90.0％)是术后起搏器植入的保护因素。同时研究显示，在患者存在突出的传导区域心肌同时合并非显著突出的非传导区域心肌，初始植入深度在室间隔膜部之上显著增加术后起搏器植入概率(100％vs 37.5％，p＝0.031)。而在不突出的传导区域室间隔心肌的患者中，未观察到相似现象。先前的一项研究提示，较小的左室流出道与较浅的人工瓣膜术后植入深度相关。
表1 logistics多因素分析表
又一项研究中，58例接受TAVI治疗的患者中。根据上述实施例记载的方法纳入部分瓣下特征。通过logistic回归分析显示，主动脉瓣二尖瓣帘的长度是TAVI术后发生瓣周漏的独立预测因素。跟据主动脉瓣二尖瓣帘长度以及瓣环周长构建的logistic回归预测模型对术后瓣周漏的预测性能强(曲线下面积为0.79)。
因此，通过三项研究可以说明，主动脉周长与升主动脉角度以及室间隔膜部长度是TAVI术后起搏器植入的独立预测因素；较大的升主动脉周长以及较小的升主动脉角度与术后更深的人工瓣膜植入深度相关；人工瓣膜植入深度与术后瓣周漏发生相关；传导区域室间隔肌部是术后起搏器植入的危险因素，而相反突出的非传导区域心肌(左室流出道直径/瓣环直径<90.0％)是术后起搏器植入的保护因素；突出的传导区域心肌同时合并非显著突出的非传导区域心肌，初始植入深度在室间隔膜部之上显著增加术后起搏器植入概率；主动脉瓣二尖瓣帘的长度是TAVI术后发生瓣周漏的独立预测因素。
也就是说，患者瓣周存在较大的升主动脉周长、较大的升主动脉角度、突出型的传导区域室间隔心肌以及非突出的非传导区域的室间隔肌部可预测患者TAVI术后起搏器植入。对于术后瓣周漏，较大的瓣环周长、较长的主动脉瓣二尖瓣帘宽度可预测TAVI术后瓣周漏。而室间隔肌部突出情况可影响人工瓣膜的植入深度。因此理论上来说，可预测TAVI术后瓣周漏的发生情况。因此结合以上特征，通过建立logistic回归模型可实现对患者术中采用不同大小的人工瓣膜以及不同初始植入深度释放方式发生术后起搏器植入和瓣周漏进行精准预测。
基于一个总的发明构思，本发明实施例还提供一种经导管主动脉瓣置换术术后并发症预测装置。
图8为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测装置结构示意图，请参阅图8，本发明实施例提供的装置，可以包括以下结构：获取模块61和预测模块62；
获取模块61，用于获取目标患者的特征数据，特征数据，包括：瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据；
预测模块62，用于根据特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。
可选的，还包括：术前预测模型构建模块63；
术前预测模型构建模块63，用于建立数据集，数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据数据集与机器学习技术，构建TAVI术后并发症预测模型；TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型；
其中，所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为：在距瓣环上方25-45mm高度范围内选取升主动脉横截面，所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面距离瓣环高度以及所述横截面与瓣环成角特征为所述升主动脉角度；所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示；
所述主动脉瓣二尖瓣帘宽度的测量标准为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。
可选的，术前预测模型构建模块63，用于获取模型构建特征数据和标签数据；基于模型构建特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；对初步TAVI术后并发症预测模型进行训练和测试；获取外部验证数据；根据外部验证数据，对训练和测试后的初步TAVI术后并发症预测模型进行外部验证；在外部验证的ROC标准高于0.8时，获取TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大数据集，重新构建TAVI术后并发症预测模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例提供的经导管主动脉瓣置换术术后并发症预测装置，通过采集目标患者的特征数据，并将特征数据对应地输入预设经导管主动脉瓣置换术术后并发症预测模型中，从而得到目标患者的经导管主动脉瓣置换术术后并发症预测结果；经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果。本发明中特征数据由CT数据下的解剖指标获得，易于获取，相较使用有限元的方案，更容易普及以及软件化；本发明关注人工主动脉瓣在释放过程中的起始植入深度的问题，相较“有限元”方案，仅关注瓣膜完整释放之后人工瓣膜的植入深度，更具有临床应用价值，同时对临床结局的预测更加精确。
基于一个总的发明构思，本发明实施例还提供一种经导管主动脉瓣置换术术后并发症预测设备。
图9为本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测设备结构示意图，请参阅图9，本发明实施例提供的一种经导管主动脉瓣置换术术后并发症预测设备，包括：处理器71，以及与处理器相连接的存储器72。
存储器72用于存储计算机程序，计算机程序至少用于上述任一实施例记载的经导管主动脉瓣置换术术后并发症预测方法；
处理器71用于调用并执行存储器中的计算机程序。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种经导管主动脉瓣置换术术后并发症预测方法，其特征在于，包括：
获取目标患者的特征数据，所述特征数据，包括：瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据；
根据所述特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取所述目标患者的经导管主动脉瓣置换术术后并发症预测结果；所述经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果；
所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为：在距瓣环上方25-45mm高度范围内选取升主动脉横截面，所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面与瓣环成角特征为所述升主动脉角度；
所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示；
所述主动脉瓣二尖瓣帘宽度的测量标准为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。
2.根据权利要求1所述的方法，其特征在于，所述经导管主动脉瓣置换术术后并发症预测模型的构建方法，包括：
建立数据集，所述数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型；所述TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型，包括：
获取模型构建特征数据和标签数据；
基于所述模型构建特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；
对所述初步TAVI术后并发症预测模型进行训练和测试；
获取外部验证数据；
根据所述外部验证数据，对训练和测试后的所述初步TAVI术后并发症预测模型进行外部验证；
在外部验证的ROC标准高于0.8时，获取所述TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大所述数据集，重新构建所述TAVI术后并发症预测模型。
4.根据权利要求3所述的方法，其特征在于，所述机器学习路径中的算法包括常用的logistics回归，支持向量机，朴素贝叶斯、决策树以及回归森林算法；
所述对所述初步TAVI术后并发症预测模型进行训练和测试，训练集与测试集的比例为4:1。
5.根据权利要求4所述的方法，其特征在于，建立所述TAVI术后起搏器植入预测模型时的数据，包括：第一子特征数据和第一子标签数据；
所述第一子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、室间隔膜部长度、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、瓣膜扩张率与人工瓣膜初始植入深度；
所述第一子标签数据为：患者术后是否进行起搏器植入；
所述建立所述TAVI术后起搏器植入预测模型时的数据属于所述数据集。
6.根据权利要求2所述的方法，其特征在于，建立所述TAVI术后瓣周漏预测模型时的数据，包括：第二子特征数据和第二子标签数据；
所述第二子特征数据，包括：病因、升主动脉周长、升主动脉角度、瓣叶类型、传导区域室间隔肌部突出情况、左室流出道直径/瓣环直径、左室流出道钙化情况、主动脉瓣二尖瓣帘宽度、瓣膜扩张率与人工瓣膜初始植入深度；
所述第二子标签数据，包括：患者术后是否发生术后瓣周漏；
所述建立所述TAVI术后瓣周漏预测模型时的数据属于所述数据集。
7.一种经导管主动脉瓣置换术术后并发症预测装置，其特征在于，包括：获取模块和预测模块；
所述获取模块，用于获取目标患者的特征数据，所述特征数据，包括：瓣环周长数据、升主动脉数据、瓣膜结构特征数据、瓣下结构特征、手术信息数据；
所述预测模块，用于根据所述特征数据及预设经导管主动脉瓣置换术术后并发症预测模型，获取所述目标患者的经导管主动脉瓣置换术术后并发症预测结果；所述经导管主动脉瓣置换术术后并发症预测结果，包括TAVI术后起搏器植入预测结果和TAVI术后瓣周漏预测结果；
其中，所述升主动脉数据，包括升主动脉周长、升主动脉角度；所述升主动脉数据的测量标准为：在距瓣环上方25-45mm高度范围内选取升主动脉横截面，所述升主动脉横截面垂直于升主动脉中轴线，获取所述升主动脉横截面的周长特征为所述升主动脉周长，所述横截面距离瓣环高度以及所述横截面与瓣环成角特征为所述升主动脉角度；所述瓣下结构特征包括：室间隔心肌突出情况和主动脉二尖瓣帘宽度；
所述室间隔心肌突出情况，包括传导区域室间隔突出情况和非传导区域室间隔突出情况；所述传导区域室间隔突出情况的衡量标准为：传导区域室间隔膜部下缘对应室间隔肌部基底段是否突入左室流出道；所述非传导区域室间隔突出情况的衡量标准为：非传导区域室间隔肌部突入左室流出道情况，由左室流出道直径/瓣环直径表示；
所述主动脉瓣二尖瓣帘宽度的测量标准为：确定瓣环下平行于瓣环的平面是否存在牛角征，恰好没有牛角征的平面到瓣环平面的距离为所述主动脉瓣二尖瓣帘宽度。
8.根据权利要求7所述的装置，其特征在于，还包括：术前预测模型构建模块；
所述术前预测模型构建模块，用于建立数据集，所述数据集内包括多个经导管主动脉瓣置换术的患者特征数据；
根据所述数据集与机器学习技术，构建TAVI术后并发症预测模型；所述TAVI术后并发症预测模型，包括：TAVI术后起搏器植入预测模型和TAVI术后瓣周漏预测模型。
9.根据权利要求7所述的装置，其特征在于，所述术前预测模型构建模块，用于获取模型构建特征数据和标签数据；基于所述模型构建特征数据和标签数据，根据机器学习路径构建初步TAVI术后并发症预测模型；对所述初步TAVI术后并发症预测模型进行训练和测试；获取外部验证数据；根据所述外部验证数据，对训练和测试后的所述初步TAVI术后并发症预测模型进行外部验证；在外部验证的ROC标准高于0.8时，获取所述TAVI术后并发症预测模型；若外部验证的ROC标准小于0.8，则扩大所述数据集，重新构建所述TAVI术后并发症预测模型。
10.一种经导管主动脉瓣置换术术后并发症预测设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1～6任一项所述的经导管主动脉瓣置换术术后并发症预测方法；
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030008.4A CN114305323B (zh) | 2020-09-27 | 2020-09-27 | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030008.4A CN114305323B (zh) | 2020-09-27 | 2020-09-27 | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114305323A true CN114305323A (zh) | 2022-04-12 |
| CN114305323B CN114305323B (zh) | 2023-10-31 |
Family
ID=81011567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011030008.4A Active CN114305323B (zh) | 2020-09-27 | 2020-09-27 | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305323B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115429297A (zh) * | 2022-09-29 | 2022-12-06 | 上海博动医疗科技股份有限公司 | 一种主动脉瓣识别方法及装置、电子设备、存储介质 |
| CN116630628A (zh) * | 2023-07-17 | 2023-08-22 | 四川大学 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
| CN117503433A (zh) * | 2024-01-03 | 2024-02-06 | 四川大学华西医院 | 一种人工主动脉瓣膜及心脏监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155064A1 (en) * | 2011-12-15 | 2013-06-20 | Sasa Grbic | Method and System for Aortic Valve Calcification Evaluation |
| CN103300944A (zh) * | 2013-06-18 | 2013-09-18 | 复旦大学附属中山医院 | 无缝合主动脉瓣置换装置 |
| US20150112659A1 (en) * | 2012-05-16 | 2015-04-23 | Feops Bvba | Pre-operative simulation of trans-catheter valve implantation |
| US20170202525A1 (en) * | 2014-05-21 | 2017-07-20 | The Royal Institution For The Advancement Of Learning/Mcgill University | Methods and systems for anatomical structure and transcatheter device visualization |
| CN107441614A (zh) * | 2017-01-18 | 2017-12-08 | 四川大学华西医院 | 一种可滑动多腔引流管 |
| CN107920796A (zh) * | 2015-07-27 | 2018-04-17 | 皇家飞利浦有限公司 | 医学放置警报 |
| CN109360273A (zh) * | 2018-11-28 | 2019-02-19 | 同济大学 | 一种心脏瓣膜置换优化方法及系统 |
| CN110392914A (zh) * | 2017-02-03 | 2019-10-29 | 费奥普斯有限公司 | 确定心脏介入治疗后血液动力功能不全的风险的系统和方法 |
| CN110974318A (zh) * | 2019-11-25 | 2020-04-10 | 西安马克医疗科技有限公司 | 一种经导管主动脉瓣置换术的体外模拟装置与模拟系统 |
| CN110974317A (zh) * | 2019-11-25 | 2020-04-10 | 西安马克医疗科技有限公司 | 经导管二尖瓣疾病治疗手术的3d模型体外模拟装置及系统 |
-
2020
- 2020-09-27 CN CN202011030008.4A patent/CN114305323B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155064A1 (en) * | 2011-12-15 | 2013-06-20 | Sasa Grbic | Method and System for Aortic Valve Calcification Evaluation |
| US20150112659A1 (en) * | 2012-05-16 | 2015-04-23 | Feops Bvba | Pre-operative simulation of trans-catheter valve implantation |
| CN103300944A (zh) * | 2013-06-18 | 2013-09-18 | 复旦大学附属中山医院 | 无缝合主动脉瓣置换装置 |
| US20170202525A1 (en) * | 2014-05-21 | 2017-07-20 | The Royal Institution For The Advancement Of Learning/Mcgill University | Methods and systems for anatomical structure and transcatheter device visualization |
| CN107920796A (zh) * | 2015-07-27 | 2018-04-17 | 皇家飞利浦有限公司 | 医学放置警报 |
| CN107441614A (zh) * | 2017-01-18 | 2017-12-08 | 四川大学华西医院 | 一种可滑动多腔引流管 |
| CN110392914A (zh) * | 2017-02-03 | 2019-10-29 | 费奥普斯有限公司 | 确定心脏介入治疗后血液动力功能不全的风险的系统和方法 |
| CN109360273A (zh) * | 2018-11-28 | 2019-02-19 | 同济大学 | 一种心脏瓣膜置换优化方法及系统 |
| CN110974318A (zh) * | 2019-11-25 | 2020-04-10 | 西安马克医疗科技有限公司 | 一种经导管主动脉瓣置换术的体外模拟装置与模拟系统 |
| CN110974317A (zh) * | 2019-11-25 | 2020-04-10 | 西安马克医疗科技有限公司 | 经导管二尖瓣疾病治疗手术的3d模型体外模拟装置及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115429297A (zh) * | 2022-09-29 | 2022-12-06 | 上海博动医疗科技股份有限公司 | 一种主动脉瓣识别方法及装置、电子设备、存储介质 |
| CN116630628A (zh) * | 2023-07-17 | 2023-08-22 | 四川大学 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
| CN116630628B (zh) * | 2023-07-17 | 2023-10-03 | 四川大学 | 一种主动脉瓣钙化分割方法、系统、设备及存储介质 |
| CN117503433A (zh) * | 2024-01-03 | 2024-02-06 | 四川大学华西医院 | 一种人工主动脉瓣膜及心脏监测系统 |
| CN117503433B (zh) * | 2024-01-03 | 2024-03-19 | 四川大学华西医院 | 一种人工主动脉瓣膜及心脏监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114305323B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8009887B2 (en) | Method and system for automatic quantification of aortic valve function from 4D computed tomography data using a physiological model | |
| CN114305323A (zh) | 经导管主动脉瓣置换术术后并发症预测方法、装置及设备 | |
| US8812431B2 (en) | Method and system for medical decision support using organ models and learning based discriminative distance functions | |
| KR101908520B1 (ko) | 메디컬 이미징에서 공간 및 시간 제약들을 이용하는 랜드마크 검출 | |
| Chandra et al. | Characterization of degenerative mitral valve disease using morphologic analysis of real-time three-dimensional echocardiographic images: objective insight into complexity and planning of mitral valve repair | |
| US11315690B2 (en) | Modeling and simulation system for optimizing prosthetic heart valve treatment | |
| US10719986B2 (en) | Method and system for virtual percutaneous valve implantation | |
| US8218845B2 (en) | Dynamic pulmonary trunk modeling in computed tomography and magnetic resonance imaging based on the detection of bounding boxes, anatomical landmarks, and ribs of a pulmonary artery | |
| Mahmood et al. | A quantitative approach to the intraoperative echocardiographic assessment of the mitral valve for repair | |
| US8538109B2 (en) | Method and system for dynamic pulmonary trunk modeling and intervention planning | |
| CN105264573B (zh) | 规划对心脏植入体的植入 | |
| Yang et al. | Automatic coronary calcium scoring using noncontrast and contrast CT images | |
| Pham et al. | Finite element analysis of patient-specific mitral valve with mitral regurgitation | |
| US9730609B2 (en) | Method and system for aortic valve calcification evaluation | |
| US20110052026A1 (en) | Method and Apparatus for Determining Angulation of C-Arm Image Acquisition System for Aortic Valve Implantation | |
| CN112040908A (zh) | 患者特异性的虚拟经皮结构性心脏介入方法和系统 | |
| Godoy et al. | Cardiac computed tomography (CT) evaluation of valvular heart disease in transcatheter interventions | |
| Mantegazza et al. | 3D echocardiography in mitral valve prolapse | |
| Chaikriangkrai et al. | Clinical utility of multidetector computed tomography in redo valve procedures | |
| Zhang et al. | A bottom-up approach for real-time mitral valve annulus modeling on 3D echo images | |
| Morgan et al. | Imaging and computational modeling of tricuspid regurgitation and repair | |
| Chen et al. | Assistive technology using regurgitation fraction and fractional-order integration to assess pulmonary valve insufficiency for pre-surgery decision making and post-surgery outcome evaluation | |
| Downe | Predictive analysis of coronary plaque morphology and composition on a one year timescale | |
| Reyaldeen et al. | Role of cardiac computed tomography in planning transcatheter mitral valve replacement (TMVR) | |
| Hayashi et al. | Left ventricular outflow tract area after percutaneous transseptal transcatheter mitral valve implantation: A three‐dimensional transesophageal echocardiography study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Mao Inventor after: Ou Yuanweixiang Inventor before: Chen Mao Inventor before: He Sen Inventor before: Wei Jiafu Inventor before: Peng Yong Inventor before: Zhou Xuan Inventor before: Zheng Mingxia Inventor before: Tang Hong Inventor before: Meng Wei Inventor before: Ou Yuanweixiang Inventor before: Feng Yuan Inventor before: Li Yiming Inventor before: Li Guoyong Inventor before: He Jingjing Inventor before: Wang Xi Inventor before: Yao Yijun Inventor before: Li Qiao |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |