机器学习模型用于动脉样硬化评估和心血管风险预测,基于来自CREATION注册的冠状动脉CT血管学分析
Ying Song1, Na Xu1, Jianan Zheng2
1Department of Cardiology (Y.S., N.X., C.C., Y.Z., L.G., Z.G., J.C., L.S., J.Y.), Fuwai Hospital, National Clinical Research Center for Cardiovascular Diseases, National Center for Cardiovascular Diseases, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
使用冠状动脉计算机断层扫描血管造影 (CCTA) 的新机器学习模型与传统方法相比,显著改善了对主要不良心脏事件的预测. 这种先进的CCTA模型为动脉样硬化心血管疾病提供了更好的风险评估.
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
- 预测分析是一种预测分析.
背景情况:
- 对于动脉样硬化心血管疾病 (ASCVD) 的传统风险预测工具有局限性.
- 冠状动脉 (CAC) 评分是一种常见的风险评估工具,但具有局限性.
研究的目的:
- 开发和验证使用冠状动脉计算机断层扫描血管学 (CCTA) 数据的机器学习模型,以改善ASCVD风险预测.
- 将基于CCTA的机器学习模型的性能与传统的风险因素和CAC评分进行比较.
主要方法:
- 创作研究包括8431名疑似冠状动脉疾病的患者接受CCTA.
- 使用48个CCTA参数训练了6个机器学习生存模型;XGBoost被选中用于模型开发.
- 主要结局是主要的不良心脏事件 (MACE):全因死亡,心肌梗塞,再血管或中风.
主要成果:
- 在XGBoostCCTA模型的训练 (AUC 0.903对0.830) 和测试 (AUC 0.899对0.753) 队列中,XGBoostCCTA模型的表现明显优于传统的风险因素和CAC评分.
- 关键预测因素包括直径狭窄,脂质斑块负担,总斑块体积,高风险斑块和血管体积.
- 脂质斑块负担与MACE有很强的关联 (aHR为2.524每5%的增加).
结论:
- 一个集成CCTA斑块量化,表征和狭窄评估的机器学习模型显著提高了MACE预测.
- 这种基于CCTA的模型提供了冠状动脉样硬化的直接可视化,并且优于当前的临床实践模型.
- 这些发现突出了先进的CCTA分析的潜力,以实现更准确的心血管风险分层.
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
06:43Quantitative Analysis and Characterization of Atherosclerotic Lesions in the Murine Aortic Sinus
Published on: December 7, 2013
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Coronary Artery Disease I: Introduction
Coronary Artery Disease IV: Preventive Measures
Imaging Studies for Cardiovascular System V: CT
Atherosclerosis I: Introduction
