机器学习模型的开发,用于在血管学中介性冠状动脉病变中预测分数流量储备

科学领域:

• 心血管医学 心血管医学
• 医学成像医学成像
• 医疗保健中的人工智能

背景情况:

• 分流储备 (FFR) 是指导血管中介性冠状动脉病变 (AICL) 的冠状动脉复血管化决策的标准.
• 光学连贯断层扫描 (OCT) 提供了详细的斑块形态和光度维度数据.
• 非侵入性预测FFR仍然是一个临床挑战.

研究的目的:

• 开发和验证用于预测FFR的机器学习 (ML) 模型.
• 用临床,血管学和OCT变量来预测FFR.
• 评估ML模型在识别显著AICL方面的性能.

主要方法:

• 对来自多中心研究的个体患者数据进行了综合分析.
• 使用25个变量训练了6个监督的ML模型 (n=351) 并验证了它们 (n=151).
• 模型的评估基于曲线下面积 (AUC) 和F1得分.

主要成果:

• 在ML模型中,AUC达到0.71至0.78,F1得分达到0.70至0.75.
• 观察到中等敏感性 (0.68-0.77) 和特异性 (0.59-0.69).
• 使用0.75 FFR截止值的灵敏度分析显示AUC (0.78-0.86) 和特异性 (0.71-0.84) 得到改善.

结论:

• 结合临床,血管和OCT数据的ML算法可以有效地预测FFR.
• 这些模型为管理AICL提供了潜在的非侵入性工具.
• 对于临床实施,需要进一步验证.