通过CT分数扫描检测心上脂肪组织评估,检测动脉重塑
Juhwan Lee1, Tao Hu1, Michelle C Williams2
1Department of Biomedical Engineering, Case Western Reserve University, Cleveland, OH, United States.
Frontiers in cardiovascular medicine
|March 31, 2025
概括
这项研究开发了一个机器学习模型,使用CT评分来预测冠状动脉重塑和主要心血管不良事件. 该模型准确地识别了积极的重塑,并预测了MACE,可能减少侵入性测试.
科学领域:
- 心血管成像 - 心血管成像
- 机器学习在医学中的应用
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 非对比CT评分 (CTCS) 是常见的冠状动脉疾病评估.
- 预测冠状动脉重塑的CTCS的临床实用性尚未得到充分证实.
- 积极重塑 (PR) 是易受损伤的斑块的标志物.
研究的目的:
- 开发一个机器学习模型,从CTCS扫描中预测PR.
- 评估模型在预测主要不良心血管事件 (MACE) 的表现.
- 评估心表脂肪和化特征在PR预测中的作用.
主要方法:
- 分析了1324名患者的CTCS和CT血管学数据.
- 利用了246个特征:临床,阿加斯顿分数衍生和心脏表皮脂肪.
- 用弹性网训练了一种CatBoost模型,用于特征选择.
- 使用交叉验证和生存分析评估PR和MACE预测的性能.
主要成果:
- 在32.4%的患者中发现了PR.
- 排名前13位的特色包括临床,阿加斯顿和fat-omics.
- 模型实现了PR预测的高精度 (81.9%) (灵敏度:80.3%,特异性:89.7%).
- 模型显著预测了MACE (HR4.5在培训中,3.2在验证中).
结论:
- 一个创新的ML模型使用CTCS功能预测冠状动脉重塑.
- 胸前脂肪和化的特征增强了PR预测.
- 基于CTCS的ML可以为临床决策提供信息,减少不必要的侵入性测试.
