人工智能启用了定量高风险斑块属性,用于预测非罪祸首的血管中的冠状动脉事件.
Qian Chen1, Xiaofei Gao2, Ling Lin2
1Department of Radiology, Nanjing First Hospital, Nanjing Medical University, Nanjing, China.
冠状动脉CT血管造影 (CCTA) 的人工智能 (AI) 分析确定了非罪祸首血管的高风险特征. 这些人工智能衍生的特征预测皮肤穿透冠状动脉干预后的主要不良心脏事件 (MACE).
科学领域:
- 心血管成像和干预心血管成像和干预
- 人工智能在医学中的应用
- 放射学和心脏诊断 放射学和心脏诊断
背景情况:
- 穿皮冠状动脉干预 (PCI) 旨在重新血管化罪祸首的病变.
- 非罪祸首的冠状动脉疾病显著影响PCI后的长期结果.
- 对非罪祸首血管进行准确的风险分层对于个性化患者管理至关重要.
研究的目的:
- 评估来自冠状动脉CT血管学 (CCTA) 的人工智能 (AI) 衍生高风险特征的预后能力.
- 在接受过PCI的患者中评估非罪祸首血管中的这些特征.
- 为了确定人工智能衍生特征是否提供超越传统风险因素的增量价值.
主要方法:
- 对接受CCTA和随后的PCI的1495名患者的回顾性分析.
- 人工智能算法评估了高风险的CCTA特征:显著的狭窄,高风险的斑块,高的斑块体积,低的CT-FFR和高的冠状周脂肪组织衰减.
- 多变量考克斯回归分析了高风险特征与非罪祸首血管相关重大心脏不良事件 (MACE) 之间的关联,平均随访时间为3.3年.
主要成果:
- 总共分析了2014年的非罪祸首船只;5.0%的船只经历了MACE.
- 特定于血管的CT-FFR (aHR=0.14,P=.02) 和死核体积 (aHR=1.30,P=.01) 是MACE的独立预测因素.
- 人工智能衍生的特征在加上临床风险因素时显示出增量预后价值 (AUC从0.60增加到0.67,P<.001).
结论:
- 来自CCTA的AI衍生的高风险特征为非罪祸首的船舶提供了重要的独立预测信息.
- 这些特征提高了PCI后患者主要不良心脏事件的风险预测.
- 对CCTA的AI分析代表了改善冠状动脉疾病风险分层的有希望的工具.
更多相关视频
04:40Identifying Coronary Artery Calcification on Non-gated Computed Tomography Scans
Published on: August 28, 2018
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Coronary Artery Disease IV: Preventive Measures
Acute Coronary Syndrome III: Diagnostic Studies
Coronary Artery Disease II: Pathophysiology
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
