健心知著
2024.05.29
第375期
人工智能指导的斑块定量分期模型预测动脉粥样硬化性心血管疾病患者的长期心血管结局
刘健、霍黎明、郭萌
北京大学人民医院
健心荐语
当今指南推荐的基于传统临床危险因素的动脉粥样硬化性心血管疾病（ASCVD）风险分层模型在识别ASCVD高危患者方面效能较差。冠状动脉CT血管造影（CTA）可以直视冠状动脉疾病（CAD），具有对评估动脉粥样硬化病变的独特性，有较高的诊断效能，可以用于风险预测。但是，在真实世界中动脉粥样硬化斑块的半自动化定性、分割过程既耗时又困难，且定量化的动脉粥样硬化斑块的长期预后价值不明。人工智能指导的定量CTA（AI-QCT）可以帮助影像医师快速评估斑块负荷和特征。
文章介绍
本研究是一项单中心、前瞻性研究，旨在探索人工智能指导的定量动脉粥样硬化斑块负荷的长期预后价值，并与当前指南推荐的几种预后模型进行预测效能比较。本文于2024年 3月发表于JAMA CARDIOVASCULAR IMAGING杂志。
研究方法
本研究是一项纳入了536例既往无冠心病但因疑似稳定性冠心病而完善CTA的患者，排除了影像质量不佳及冠脉血管炎的患者。研究者利用一个经美国FDA批准基于卷积神经网络构建的人工智能软件来进行图像质量评估、冠脉分割标记、血管轮廓描记、斑块特征分析。斑块体积百分比定义为患者层面斑块总体积/血管体积X100%，文中主要涉及粥样硬化斑块体积百分比（PAV）、钙化斑块体积（CPV）百分比、非钙化斑块体积（NCPV）百分比等概念。基于基线PAV 数值，CTA检查未见斑块的患者定义为0期，0%＜PAV≤5%定义为1期，5%＜PAV≤15%定义为 2期，PAV > 15%定义为3期。此外，基于NCPV进一步分期：未见斑块的患者定义为0期，0%＜NCPV≤2.5%定义为 1期，2.5%＜NCPV≤7.5%定义为 2期，NCPV > 7.5%定义为 3期。本研究主要临床结局为主要不良心血管事件（MACE），定义为全因死亡、非致死性心梗、非致死性卒中、冠脉血运重建（PCI或CABG）的复合结局，次要终点为随访10年全因死亡、非致死性心梗、非致死性卒中。
研究结果
研究对象平均年龄为58.6岁，297名（55%）患者为男性。在10.3年的中位随访期间（IQR：8.6-11.5年），114名患者（21%）到达主要终点。
图 1：本研究基线资料统计表
与0期和1期相比，PAV 3期患者随访期间MACE 风险增加了3倍（校正后HR：3.57；95%CI 2.12-6.00；P < 0.001），NCPV 3 期患者MACE 风险增加了4倍（校正后HR：4.37；95%CI：2.51-7.62；P<0.001）。
图 2：（A）基于PAV 冠心病分期随访主要终点生存曲线；（B）基于PAV冠心病分期随访次要终点生存曲线；（C）基于NCPV分期主要终点随访生存曲线；（D）基于NCPV分期随访次要终点生存曲线
在临床风险因素和冠脉钙化积分基础上，增加AI-QCT参数可以改进不同随访时间点模型净重分类指数。（10年随访AUC：0.82 [95%CI：0.78-0.87] vs 0.73[95%CI：0.68-0.79]；P<0.001；NRI：0.21[95%CI：0.09-0.38]）（图3）。此外，与RADS 2.0 模型（10年随访AUC：0.78；95%CI：0.73-0.83；P = 0.023）和人工QCT 模型（10年AUC：0.78；95%CI：0.73-0.83；P = 0.040）相比，尽管NRI的改进有限（分别为0.09 [95%CI：-0.02～0.29]和0.04[95%CI：-0.05～0.27]），但是AI-QCT 预测模型仍然提高了AUC (图 3)。
图3：随访期间不同模型预测MACE 效能对比表
结 论
经过10年随访，AI-QCT指导的动脉粥样硬化斑块分期模型显示出对ASCVD重要的预后价值，与临床风险因素、冠脉钙化积分及多种指南推荐的冠脉CTA 斑块和狭窄评估模型相比有着重分类效益。该研究表明，对于临床疑诊的CAD 患者或许能够从AI-QCT 定量斑块评估中获益。
讨论
该研究也存在着一些不足之处。首先，该研究是单中心、小样本研究，且存在5%的失访率；另外，该研究进行期间，有大量患者筛查发现较为严重的冠脉阻塞性病变而进行了血运重建。最后，该研究采用的是一种特定的人工智能分析软件，当其与其他不同平台共同使用时需要重新对斑块体积的识别校准。我们期待有多中心、前瞻性、长期随访研究进一步验证该研究的得出的初步结论，并进一步评估干预的益处。