健心知著
2024.10.25
第416期
机器学习模型在冠状动脉造影中度病变血流储备分数预测中的应用
刘健、叶桢、范朋飞
北京大学人民医院
健心荐语
血流储备分数（FFR）是指导决定是否对冠脉造影中度病变（AICL）进行冠状动脉血运重建的金标准。光学相干断层扫描（OCT）可以检查冠状动脉斑块形态和管腔尺寸。FFR与OCT之间可能关联成为完美的组合，但手术成本和时间不允许在单个手术期间同时使用这两种技术。因此开发ML可以对FFR进行更准确的预测来改进当前的建模。
文章介绍
本研究是一项对多中心OMEF研究的事后分析，旨在开发基于临床、冠脉造影和OCT变量的机器学习（ML）模型以预测FFR。本文于2024年8月发表于Catheterization and Cardiovascular Interventions杂志。
研究方法
研究纳入了患有急性或慢性冠状动脉综合征且冠脉造影提示AICL（定义为视觉直径狭窄在30%和80%之间）的患者，这些患者均进行了FFR和OCT。使用7：3的比例随机分配，其中ML算法在70%的训练数据集上进行训练，并在剩余30%的测试数据集上进行测试，比较AICL预测的FFR阳性（FFR≤ 0.80）或阴性（FFR>0.80）与实测的FFR。
研究结果
表1：基线临床特征
研究纳入489例患者总计502例AICL，基线患者特征总结见表1，平均年龄为65岁，绝大多数患者（约90%）的临床表现为慢性冠状动脉综合征。
表2：AICL中的QCA和OCT与阴性或阳性FFR
在QCA中，相对于FFR阴性的患者，FFR阳性的靶AICL病变具有显著更大的病变长度和直径狭窄百分比（%DS），显著更小的最小管腔直径（MLD）和平均参考直径（mean RD）。在OCT中，FFR阳性的靶AICL病变具有显著更大的病变长度和面积狭窄百分比（%AS），显著更小的最小管腔面积（MLA）。两组间OCT检测到的溃疡和血栓患病率无显著差异。
表3：ML模型的混淆矩阵（FFR临界值0.80）
将数据集随机分为训练数据集351例（70%）和测试数据集151例（30%），使用训练数据集进行ML模型（6个）的开发，然后将每个模型应用于测试数据集，以预测阳性或阴性FFR。表3显示了混淆矩阵，其中包含每个模型与实际相比的预测情况。
表4：ML模型的预测性能（FFR临界值0.80）
表4总结了每种预测算法的性能，AUC范围为0.71 - 0.78。相比于特异性（范围：0.59-0.69），ML算法在检测FFR时显示出较高的灵敏度（范围：0.68-0.77），因此阳性预测值（PPV）（范围：0.71-0.75）高于阴性预测值（NPV）（范围：0.59-0.66）。
图1：显示预测FFR的准确性的ROC曲线
图2：六个ML模型的排列特征重要性（PFI）得分
6个ML开发模型的ROC曲线和PFI评分分别见图1和图2。对模型有贡献的变量根据其相应的重要性得分以降序显示。PFI评分的绝对值反映了单个变量对整体预测能力的影响。
表5：ML模型的预测性能（FFR临界值0.75）
与0.80作为FFR临界值相比，使用0.75作为FFR临界值， AUC较高（0.78-0.86），模型有更高的准确性（0.72-0.81）和特异性（0.71-0.84），但灵敏度相似（0.58-0.80）（表5与表4）。
结 论
基于临床、冠脉造影和OCT参数的机器学习算法可以识别FFR为阳性或阴性的患者。这些初步结果表明，ML算法可以预测FFR为阳性或阴性，而无需进行侵入性冠状动脉内功能评估。有必要使用较大样本量进行适当设计的前瞻性研究，以进一步确定FFR预测能力。
讨论
该研究也存在一定的局限性。第一，这是一项回顾性研究，因此存在潜在的选择偏倚。第二，由于原始数据库中缺乏数据，部分参数未纳入分析。第三， LAD中度病变的患病率较高，这可能限制了结果对RCA和LCX病变的普遍性。第四，缺乏外部验证也是本分析的一个局限性。