在稳定的冠状动脉疾病中对技术生物标志物和功能性心肌缺血的数据驱动分析,使用先进的统计建模

科学领域:

• 心血管医学 心血管医学
• 生物标志物和诊断方法
• 在医疗保健中的数据科学.

背景情况:

• 在稳定的冠状动脉疾病 (SCAD) 中,功能性心肌缺血症 (FMI) 构成了重大的临床挑战.
• 分流储备 (FFR) 是黄金标准,但由于成本和复杂性,在临床采用方面面临障碍.
• 技术生物标志物和先进分析提供了改善风险分层和指导精确干预的潜力.

研究的目的:

• 在SCAD中利用数据驱动的方法来识别和验证与FMI相关的技术生物标志物.
• 通过基于这些生物标志物的预测建模,优化临床决策.

主要方法:

• 在PubMed,Embase和Web of Science (开始至2023年10月) 进行系统的文献搜索,寻找关于SCAD和FMI的研究.
• 包括使用FFR或血管造影技术的队列/病例控制研究 (n ≥100).
• 用固定/随机效应模型使用RevMan 5.4和Stata 16.0进行的元分析;通过I2统计评估异质性.

主要成果:

• 解剖学生物标志物,包括狭窄严重程度 (DS%),最小光线直径和病变长度与FMI有很强的联系.
• 糖尿病和吸烟被确定为FMI的显著可修改的风险因素,而高血压没有显示任何关联.
• 年龄和性别差异强调了对个性化风险算法的需求.

结论:

• 技术生物标志物和数据驱动建模为SCAD中的FMI风险提供了可操作的见解,弥合了解剖学和功能评估.
• 机器学习和预测分析的未来整合可以为定制的治疗策略完善风险分层.