项目描述:
冠状动脉造影的出现,一直被评价为评估冠状动脉病变的“金标准”。CAG上显示为冠状动脉显著狭窄的40%的受试者,但在单光子发射体层成像(SPECT)上,仅有小的灌注缺损。由此可见冠状动脉造影对血管血流动力学的评估存在一定缺陷。故逐渐提出了血流储备分数技术(FFR)。FFR成为评估冠状动脉缺血的“金标准”。但FFR技术是一项昂贵的有创操作,操作过程中可能会诱发患者不适,且不利于反复对狭窄病变的测定,对于临床的广泛开展存在一定局限性。2013年美国HeartFlow公司提出一种无创FFR诊断方法CT-FFR。近年来随着深度学习算法人工智能技术的兴起, 使得CT-FFR有了一个质的飞跃。DISCOVER-FLOW 研究、DeFACTO 研究、NXT 研究等前瞻性多中心研究以有创FFR为对照,明确了CT-FFR对稳定性冠心病的临床诊断准确性及敏感性(85%、76%)。我国周玉杰教授团队研究发现,深度学习算法获得的CT-FFR与有创FFR之间有较好地相关性(相关性系数为0.686,P < 0.001),且对有临床意义的血管病变判断准确性高达87.3%,其开发的DEEPVESSEL-FFR平台可在5分钟内从CTA图像计算出FFR值。(传统CT-FFR计算结果需要数小时)PLATFORM研究指出,接受CT-FFR结果后取消了61%计划有创冠状动脉造影(ICA),在其亚组研究,以FFR CT ≤0.80预测ICA,可以提高24%的ICA优化血管重建率。PLATFORM后续研究,与常规治疗组相比,CT-FFR指导后降低了33%总医疗支出($8,127 vs. $12,145,P<0.0001),改善了生活质量,且主要心血管不良事件(MACE)发生并无明显增加。但是,目前暂无深度学习算法下CT-FFR对CAD诊疗决策与临床结局影响的相关研究。本项目通过前瞻性队列研究,进行深度学习算法下CT-FFR与传统运动负荷试验对CAD诊断效能的比较。利用深度学习算法下CT-FFR数值,优化初诊CAD流程,
本研究有两个具体研究内容:
1)评估深度学习算法下CT-FFR对冠脉中度狭窄患者介入指征的判断效能。
2)对比深度学习算法下CT-FFR与传统运动负荷试验对CAD的诊断效能及预后的影响。