由人工智能指导的定量斑块分期预测了动脉硬化心血管疾病风险患者的长期心血管结果
Nick S Nurmohamed1, Michiel J Bom2, Ruurt A Jukema2
1Department of Cardiology, Amsterdam University Medical Centers, Vrije Universiteit Amsterdam, Amsterdam, the Netherlands; Department of Vascular Medicine, Amsterdam University Medical Centers, University of Amsterdam, Amsterdam, the Netherlands; Division of Cardiology, The George Washington University School of Medicine, Washington, DC, USA. Electronic address: https://twitter.com/NickNurmohamed.
人工智能引导的定量冠状动脉计算机断层扫描血管图分析 (AI-QCT) 能够有效预测10年内发生的主要不良心脏事件 (MACE). AI-QCT斑块分期提供了超越传统风险因素和评估的显著预后价值.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 人工智能引导的定量冠状动脉计算机断层扫描血管图分析 (AI-QCT) 能够快速评估动脉样硬化斑块负担和特征.
- 这项技术有助于对冠状动脉疾病 (CAD) 进行详细分析.
研究的目的:
- 评估由AI-QCT确定的动脉样硬化负担的10年预后能力.
- 将AI-QCT斑块特征与手动冠状动脉计算机断层扫描血管学 (CCTA),冠状动脉度评分 (CACS) 和临床风险因素进行比较.
主要方法:
- 一项长期随访研究涉及536名疑似冠状动脉疾病的患者.
- 冠状动脉计算机断层扫描血管学 (CCTA) 扫描使用AI-QCT进行分析,将斑块负担分类为基于动脉瘤体积 (PAV) 百分比的阶段.
- 主要结局是主要不良心脏事件 (MACE) 的组合,包括非致命的心肌梗塞,非致命性中风,冠状动脉再血管化和全因死亡率.
主要成果:
- 患有第3阶段PAV (>15%PAV) 和>7.5%非化斑块体积的患者表现出显著增加MACE风险 (调整HR:分别为3.57和4.37).
- AI-QCT显著改善了10年MACE的临床风险因素和CACS结合的预测模型 (AUC:0.82与0.73,P<0.001).
- 与冠状动脉疾病报告和数据系统2.0和手动QCT评估相比,AI-QCT显示出更高的歧视价值.
结论:
- AI-QCT斑块分期为主要不良心脏事件 (MACE) 提供了重要的10年预后信息.
- 除了已确定的临床风险因素,CACS和手动CCTA评估之外,AI-QCT提供了更多的歧视性价值.
- AI-QCT代表了可疑冠状动脉疾病患者风险分层的一个有价值的工具.
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Atherosclerosis III: Management
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Atherosclerosis I: Introduction
Coronary Artery Disease V: Interprofessional Care
Acute Coronary Syndrome III: Diagnostic Studies
![Quantification of Atherosclerotic Plaque Activity and Vascular Inflammation using [18-F] Fluorodeoxyglucose Positron Emission Tomography/Computed Tomography FDG-PET/CT](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F3777.jpg&w=3840&q=50)

