斑块负担改善了通过冠状动脉计算机断层扫描血管学检测缺血性CAD而不是狭窄的检测

科学领域:

• 心血管成像 - 心血管成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 冠状动脉疾病 (CAD) 诊断依赖于评估光线狭窄,但斑块负担可能提供额外的见解.
• 冠状动脉计算机断层扫描血管造影 (CTA) 广泛用于CAD评估.
• 准确识别缺血性CAD对于指导患者管理至关重要.

研究的目的:

• 评估通过人工智能引导定量CT (AI-QCT) 量化斑块负担是否为缺血性CAD提供增量诊断价值.
• 将AI-QCT斑块指标的诊断性能与传统狭窄症评估和临床风险因素进行比较.
• 确定斑块量化的最佳应用,以改善患者水平的CAD检测.

主要方法:

• 2145名疑似患有CAD的症状患者接受了冠状动脉CTA和O-水PET心肌输液成像.
• 使用AI-QCT测量最大直径狭窄,动脉瘤体积百分比 (PAV),化斑块体积百分比 (CPV) 和非化斑块体积百分比 (NCPV).
• 缺血性CAD是由PET上的异常应力输液定义的;使用曲线下的面积 (AUC) 和预测值评估诊断性能.

主要成果:

• 相对于单独的临床变量和狭窄症 (AUC 0.91对0.87),百分比动脉瘤体积 (PAV) 显著改善了缺血性CAD的预测.
• 在中度狭窄 (30-70%) 的患者中,应用12.2%的PAV切断值产生了最佳的诊断性能 (88%的准确性).
• 这种方法显示高灵敏度 (76%),特异性 (91%) 和负预测值 (95%) 检测缺血性CAD.

结论:

• 使用AI-QCT,特别是PAV进行定量斑块负担评估,为在有症状的患者中识别缺血性CAD提供了增量价值.
• 将PAV测量集成到冠状动脉CTA分析中,可以提高诊断准确度,超出传统的狭窄性评估.
• 在中级狭窄病例中,PAV值为12.2%,为检测PET定义的缺血性CAD提供了最佳的性能.