健心知著
2022.08.03
第187期
CCTA和TAVR联合除外严重冠心病——基于ML的CT-FFR的附加价值
刘健、张倬恺、孙宇彤
北京大学人民医院
健心荐语
经导管主动脉瓣置换术（TAVR）是针对严重主动脉瓣狭窄常用的治疗方法。TAVR是无法进行常规外科治疗的患者的标准治疗方案，也是能够接受手术的患者的既定替代方案。由于目前接受TAVR治疗的多为老年人，且手术出现并发症的概率较高，其中包括冠状动脉疾病（CAD），因此指南建议在进行TAVR前通过有创冠脉造影（ICA）来评估患者是否患有冠心病。作为ICA的替代方案，欧美等指南建议在特定的情况下可以使用CT冠脉造影（CCTA）来排除阻塞性CAD，由于CCTA的特异性和阳性预测值较低，接受TAVR的人群中CAD发病率偏高，单纯使用CCTA可能会导致对部分患者的误判。本文引入基于机器学习的CT-FFR（ML-based CT-FFR），将其与CCTA联合使用，研究其是否能提高CCTA对于拟行TAVR术患者的CAD的诊断能力。
文章介绍
本研究是一项单中心研究，目的是研究联合使用CCTA和基于机器学习的CT-FFR，能否提高CCTA对于拟行TAVR术患者的CAD的诊断能力。本文于2022年3月发表于JACC-Cardiovascular Imaging杂志。
研究方法
本研究收集了7个月之内在该中心于TAVR术前接受CCTA检查的所有患者，在排除数据不全，冠脉搭桥病史的患者后，最终有460例患者进入研究，这些患者常规接受ICA检查，其中，388例（84.3%）在3个月内有一次额外的ICA（A组），72例（15.7%）无阻塞性CAD症状的患者没有接受额外的ICA（B组）（图1）。研究收集了患者入院时的CT，CCTA和ICA结果，利用提前训练好的机器根据CCTA图像测量CT-FFR。
图1：患者诊断的流程图
研究结果
研究纳入的460名患者均为老年人（79.6±7.4），其中51.7%为女性。其中患有经ICA证实的冠心病的患者占35.6%（n=138）。在272例接受CCTA的CAD+患者中，可行CT-FFR联合分析的占79.4%（216/272）。不可行CT-FFR检查的原因包括：CT-FFR图像质量不佳（66.1%），冠脉解剖结构不合适（17.9%），以及其他原因（16.1%）。可行CT-FFR（n=216）和不可行（n=56）的患者在图像质量、心率和心率变异性方面存在显著差异（P<0.03），在其他参数方面均无显著差异。（表1）。
表1：CT-FFR的可用性和各组的基线差异
在ICA上，全部患者的4947处病变中有256处被确认存在阻塞性冠心病。
表2显示了A组的分析结果。将CT-FFR联合分析应用于A组，85.6%的病变（4236/4947）被正确归类为CAD-。相比之下，单独使用CCTA分析，仅能使80.6%的病变（3989/4967）被正确归类为CAD-。然而， CT-FFR联合分析同样将455处病变分类为假阳性（9.2%），而单独使用CCTA进行分析的假阳性病变数为702（14.2%）。在全部的血管中， CT-FFR联合分析正确识别了142处真阳性病变，同时误判114处病变（假阴性），单独使用CCTA则正确识别了222处病变，低估了34处病变。
表2：所有患者的CCTA及其与CCTA和CT-FFR联合分析的对比结果
表3显示了可用CT-FFR进行分析的CAD+亚组数据。在可用CT-FFR进行评估的患者中（n=216/272），其假阳性降低（Δ=-17），特异性提高，总体准确性提高（Δ=+6.0%）；然而，CT-FFR也增加了假阴性病变的数量（Δ=+4）。
表3：可进行基于ML的CT-FFR检查的患者的亚组分析
CT-FFR的联合分析排除了不适合进行基于机器学习的CT-FFR的患者，排除了51.7%（209/404）的CAD-。使用基于机器学习的CT-FFR前后的灵敏度、特异度、阳性预测值（PPV）和阴性预测值（NPV）分别为97.2%[93.6]、50.7%[58.3]、49.1%[52.3]和97.4%[94.9]。因此，通过增加基于机器学习的CT-FFR的检查率，可以使总体精确度提高3.9%（表4）。
图4：仅行CCTA患者和联合进行CCTA与基于ML的CT-FFR的患者的对比分析
总体而言，A组388例患者中，130例（35.6%）被正确评估为CAD-，加上被评估为CAD-的B组患者，43.9%的患者（202/460）被归类为不存在阻塞性CAD，排除了7例假阴性患者。
结 论
对于CCTA有梗阻征象的TAVR术前患者，基于机器学习的CT-FFR可以正确地重新分类这些病变，排除严重的CAD。因此，与单纯CCTA相比，基于机器学习的CT-FFR有可能进一步减少老年TAVR术前患者对ICA的需求。对于患者数较大的中心和病情紧急的患者来说，基于机器学习的CT-FFR是一种十分高效的检查方法。
点评
基于机器学习的CT-FFR是一项无创的，旨在提高CCTA的特异性和阳性预测值的新兴实践。引入CT-FFR有利于将CCTA分类错误的患者进行重分类。这项研究的特殊之处在于，在入选人群方面，仅排除了接受过冠脉手术的患者，纳入了许多已知冠心病或钙化评分较高的患者，使得该研究的结果更具有推广价值，使其与其他已有研究区别开来。
本研究也具有一定的局限性。首先，为了强调CT-FFR的功能，本研究参照标准ICA的截断值，将CT-FFR的截断值设置为与CCTA相同。但这种方法可能存在一些潜在的问题，比如这个截断值很可能不是与治疗相关的界值，与临床实践存在差异。其次，由于相对禁忌症，患有严重主动脉狭窄的患者无法使用硝酸甘油和β受体阻滞剂，者可能导致CT-FFR测量结果的偏差。最后，B组患者没有参与统计计算，这可能会人为地提高PPV，降低NPV。
综上所述，本研究是一项无创诊断的新兴实践，在一些细节问题上仍有待进一步的研究。
