每日毅訊| Circualtion子刊:通過機器學習評估冠脈CTA斑塊性質與冠脈CT-FFR效果相當

作者:CCI心血管醫生創新俱樂部
每日毅訊| Circualtion子刊:通過機器學習評估冠脈CTA斑塊性質與冠脈CT-FFR效果相當
文章圖片
新近的臨床研究多提示:在指導冠脈介入手術的臨床獲益方面 , 冠脈功能學評估似乎優于形態學評估 。 然而 , 隨著影像學技術和人工智能軟件的開發 , 針對冠脈的形態學評估也在不斷發展 。 近日 , Circulation:CardiovascularImaging雜志發表了該領域的研究文章 。
本研究是PACIFIC試驗的post-hoc分析 , 納入了208名疑似冠心病的患者接受了冠脈CTA、心臟PET和有創FFR檢查 。 冠脈CTA的斑塊量化是使用半自動分析軟件進行的 。 在訓練階段 , 利用前瞻性NXT試驗(包括484支血管)采用機器學習訓練用于開發預測缺血的機器學習ML評分 , 以FFR≤0.80為標準 。 外部驗證階段 , 利用PACIFIC試驗的581支血管 , 應用機器學習ML評分預測PET評估下受損的充血MBF(≤2.30mL/min/g)以及有創FFR<0.80 。 將ML評分與冠脈CTA讀數和FFR-CT進行比較 。
每日毅訊| Circualtion子刊:通過機器學習評估冠脈CTA斑塊性質與冠脈CT-FFR效果相當】研究結果顯示:139條(23.9%)血管出現FFR定義的心肌缺血 , 195條(33.6%)血管出現充血MBF受損 。 對于FFR定義的心肌缺血的預測 , ML評分的ROC曲線下面積為0.92 , 顯著高于視覺判斷的狹窄程度(0.84;P<0.001) , 與FFRCT(0.93)相當;P=0.34) 。 在ML評分中 , 定量的直徑狹窄百分比和低密度非鈣化斑塊體積對于預測FFR定義的心肌缺血具有最大的重要性 。 當PET評估下的受損MBF的預測 , ML評分在ROC曲線下的面積為0.80;顯著高于視覺判斷的狹窄程度(0.74;P=0.02) , 與FFRCT相當(0.77;P=0.16) 。
每日毅訊| Circualtion子刊:通過機器學習評估冠脈CTA斑塊性質與冠脈CT-FFR效果相當
文章圖片
毅訊點評
通過本研究我們可以發現 , 在不加入任何生理學指標 , 僅僅通過無創的冠脈CTA形態學影像 , 通過機器學習可以形成與CT-FFR相比擬的 , 優于目前視覺判斷狹窄的評估效果 。 未來在精準治療時代 , 不僅僅冠脈功能學在日新月異 , 冠脈形態學的進步也會接踵而來 , 而且在以更加迅猛的速度改變我們的日常救治 。
參考文獻:
https://www.ahajournals.org/doi/epub/10.1161/CIRCIMAGING.122.014369
每日毅訊| Circualtion子刊:通過機器學習評估冠脈CTA斑塊性質與冠脈CT-FFR效果相當
文章圖片
作者簡介
張毅 , FACC , FESC , 上海市第十人民醫院泛血管中心主任;同濟大學研究員、副教授、博導;CCI執行委員;中華醫學會內科學分會青年副主委;上海醫學會高血壓學組副組長;上海市優秀技術帶頭人 。
本文轉載自其他網站 , 不代表健康界觀點和立場 。 如有內容和圖片的著作權異議 , 請及時聯系我們(郵箱:guikequan@hmkx.cn)返回搜狐 , 查看更多
責任編輯: