预测主要不良心脏事件使用基于深度学习的冠状动脉疾病分析在CT血管学
Jin Young Kim1, Kye Ho Lee2, Ji Won Lee3
1Department of Radiology, Keimyung University Dongsan Hospital, Keimyung University School of Medicine, Daegu, Republic of Korea.
Radiology. Artificial intelligence
|April 9, 2025
概括
深度学习分析CT血管学上的冠状动脉疾病程度显著预测急诊室患者胸痛的主要不良心脏事件. 与传统的临床因素相比,这种人工智能工具提供了更好的风险分层.
科学领域:
- 心脏病学 心脏病学
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 急性胸痛是一种常见的急诊室呈现.
- 对主要心脏不良事件 (MACE) 的准确风险分层至关重要.
- 冠状动脉疾病 (CAD) 的程度是一个关键的预后因素.
研究的目的:
- 评估基于深度学习 (DL) 的冠状动脉疾病 (CAD) 程度分析的预测能力.
- 在急诊室 (ED) 评估急性胸痛患者的MACE.
- 将基于DL的风险分层与传统的临床风险因素进行比较.
主要方法:
- 追溯的,多中心的观察性研究.
- 包括患有急性胸痛的患者,接受冠状动脉CT血管造影 (CCTA).
- 使用DL模型进行CAD分类 (无CAD,非阻塞CAD,阻塞CAD) 和Cox回归用于MACE预测.
主要成果:
- 在408名患者中,DL模型在37.3%的患者中发现了阻塞性CAD.
- 在经历MACE的患者中,阻塞性CAD的患病率明显高 (P < .001).
- 基于DL的阻塞性CAD检测是MACE最强的独立预测因素 (HR,88.07;P <.001),增强了风险分层 (哈雷尔C:0.94对0.80).
结论:
- 基于深度学习的阻塞性CAD检测为MACE提供了卓越的预测价值.
- 在急性胸痛患者中,DL分析改善了超越临床因素的风险分层.
- 这种人工智能方法有望在ED中加强心脏风险评估.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
945
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
