基于机器学习的FFRCT用于冠状动脉疾病的诊断性能:元分析
Rui Lian1,2, Xiangmin Zhang3,4,5,6
1Department of Gynecology and Obstetrics, West China Second University Hospital, Sichuan University, Chengdu, Sichuan, China.
机器学习衍生微分流量储备计算断层扫描 (ML-FFRCT) 在诊断冠状动脉疾病 (CAD) 中显示出高准确性. 这种非侵入性工具显示出对CAD的临床评估有很大的潜力.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 冠状动脉疾病 (CAD) 是一个重要的全球健康问题.
- 对CAD的准确的非侵入性诊断工具对于及时干预至关重要.
- 分流储备计算断层扫描 (FFRCT) 提供了一种潜在的非侵入性方法来评估CAD的严重程度.
研究的目的:
- 评估用于CAD的机器学习衍生FFRCT (ML-FFRCT) 的诊断准确性.
- 为了比较ML-FFRCT与侵袭性冠状动脉血管学衍生FFR (ICA-FFR) 的性能,作为黄金标准.
- 提供支持ML-FFRCT临床翻译的证据.
主要方法:
- 在PubMed和Embase数据库的系统文献搜索.
- 使用QUADAS-2进行的包含研究的质量评估.
- 对诊断性能指标的元分析,包括灵敏度,特异性,概率比率和AUC.
- 进行元回归和子组分析以探索异质性.
主要成果:
- 聚合灵敏度 (SEN) 为 0.84 (95% CI: 0.79-0.87) 和特异性 (SPE) 为 0.83 (95% CI: 0.77-0.88). 综合灵敏度 (SEN) 为 0.84 (95% CI: 0.79-0.87) 和特异性 (SPE) 为 0.83 (95% CI: 0.77-0.88). 聚合灵敏度 (SEN) 是 0.84 (95% CI: 0.79-0.88) 的,但其特异性 (SPE) 是 0.83 (95% CI: 0.77-0.88).
- 积极的概率 (PLR) 为4.95和负的概率 (NLR) 为0.20.
- 诊断几率比 (DOR) 为25.15,曲线下的面积 (AUC) 为0.90 (95% CI:0.87-0.93),表明诊断准确度高.
- 没有发现显著的出版偏差.
结论:
- ML-FFRCT证明了对CAD的高诊断准确性.
- 这些发现支持ML-FFRCT作为CAD评估的有希望的非侵入性工具.
- 进一步的临床验证是有必要的,以促进广泛采用.
更多相关视频
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Acute Coronary Syndrome III: Diagnostic Studies
Imaging Studies for Cardiovascular System V: CT
Coronary Artery Disease I: Introduction
