机器学习和计算流体动力学衍生FFRCT在冠状动脉疾病患者中展示了可比的诊断性能; 一个系统性审查和元分析

科学领域:

• 心血管成像 - 心血管成像
• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用

背景情况:

• 计算机断层扫描衍生分流储备 (FFRCT) 是评估冠状动脉狭窄的一种非侵入性方法.
• 可以使用计算流体动力学 (CFD) 或机器学习 (ML) 模型计算FFRCT.
• 基于ML的FFRCT (FFRCT_ML) 与基于CFD的FFRCT (FFRCT_CFD) 的诊断性能需要评估.

研究的目的:

• 为了比较FFRCT_ML与FFRCT_CFD在确定血液动力学上显著的冠状动脉狭窄的诊断性能.
• 在患者和血管层面评估灵敏度,特异性和诊断几率比 (DOR).
• 为了利用侵入性FFR作为比较的参考标准.

主要方法:

• 在主要数据库 (PubMed,Cochrane图书馆,EMBASE,WOS,Scopus) 进行了系统的文献搜索,截至2024年3月.
• 对FFRCT_ML和FFRCT_CFD的合成灵敏度,特异性和DOR的元分析.
• 生成总结接收器操作特征 (SROC) 曲线并计算曲线下的面积 (AUC).

主要成果:

• 分析包括FFRCT_CFD (2501名患者) 的23项研究和FFRCT_ML的18项研究 (1323名患者).
• 在每位患者水平上,FFRCT_ML和FFRCT_CFD表现出可比的特异性和AUC.
• 在每种容器水平上,特异性和AUC也是可比的;然而,FFRCT_ML显示的敏感性明显低于FFRCT_CFD.

结论:

• 在特异性和整体性能 (AUC) 方面,FFRCT_ML提供了与FFRCT_CFD相似的诊断准确性.
• 与标准的FFRCT_CFD方法相比,FFRCT_ML的主要局限性是它的敏感性明显较低.
• 可能需要进一步的研究来优化ML算法,以提高FFRCT分析的灵敏度.