9月12日欧洲心脏病学会旗下心脏病权威杂志《欧洲心脏杂志（European Heart Journal）》在线发表了题为《Machine learning of clinical variables and coronary artery calcium scoring for the prediction of obstructive coronary artery disease on coronary computed tomography angiography: analysis from the CONFIRM registry》的研究，该研究由来自美国、德国、意大利、荷兰意大利、韩国、奥地利、瑞士、加拿大、葡萄牙等来自世界各地多个国家的研究人员参与的冠状动脉疾病临床研究，分析了CONFIRM 注册研究，在冠状动脉CT血管造影（ Coronary computed tomography angiography，CCTA）的基础上利用机器学习的方法分析临床变量和冠状动脉钙化评分从而预测阻塞性冠状动脉疾病的风险， 在临床实践中，利用这种方法可以改善稳定性胸痛的风险分层并有助于指导下游的疾病管理。

1   研究背景      

在冠状动脉疾病（coronary artery disease ，CAD）的风险评估中，由于CCTA无创且几乎很少有并发症，因此其已经成为评估冠状动脉疾病的主要方法，且其准确性也很高。大量研究表明，CCTA的检查结果与CAD之间有着密切的关联，如果CCTA显示异常，则提示CAD负担增加，同时患者发生心血管事件的风险也提高，且能够据此进行风险分级。欧洲心脏病学会（ESC）、美国心脏协会（AHA）和 美国心脏病学会（ACC）等指南均关于稳定性胸痛的管理指出，CCTA作为预测有症状患者是否有阻塞性CAD的主要或次要诊断依据。但是随着CCTA应用范围的扩大，在临床实践中发现大量接受CCTA的个体仅有很轻的CAD甚至没有，这导致了诊断效率的降低和医疗成本的提升。因此最近研究人员尝试优化选择患者的方法。

有研究表明冠状动脉粥样硬化特异性标志物的冠状动脉钙化（Coronary artery calcium ，CAC）可提供超过临床预测概率（PTP）评估的增量预测能力，该评估涉及有症状患者血管造影显着性CAD的程度和严重程度.因此，在研究中，研究人员利用人工智能机器学习（ML）的方法，结合临床变量和冠状动脉钙化评分（CACS），在全世界多个国家的不同人群中，在CCTA的基础上预测患者是否有阻塞性CAD。

2   研究人群  

   该研究全称为The COronary CT Angiography EvaluatioN For Clinical Outcomes，是一个国际多中心（CONFIRM）的前瞻性研究，在六个国家（加拿大、德国、意大利、韩国、瑞士和美国）的12个医疗中心招募患者。整个研究总共纳入了13054名患者（≥30岁），纳入的患者为疑似或者先前有CAD而接受64排CCTA检测者，且可获得相关临床资料和CACS数据。

3   主要研究结果   

1.不同模型在CCTA基础上预测阻塞性CAD的结果展示：机器学习 + CACS模型的预测准确性最高。

2.预测型特征的筛选：如下图所示，年龄、种族和性别是ML模型中最具预测性的特征，其次是高血压和高胆固醇血症的既往病史。有趣的是，模型中添加CACS后，最具预测性的特征（在CACS本身之后）变成了年龄和性别，其次是脑血管疾病史和存在呼吸短促作为症状。在两种模型中，呼吸短促的存在更能预测阻塞性CAD的存在，而不是胸痛的存在和症状的典型性。CACS具有最高的预测值，因为低CACS值可能与缺乏阻塞性CAD（蓝色）相关，而非常高的值（红色）与阻塞性CAD显着相关。

3.校准和净重新分类：模型校准后， ML模型的校准斜率为0.856，加入CACS后的校准斜率为0.992，表明阻塞CAD的预测和观察概率之间的差异最小，因此模型拟合良好。

另一方面，模型1（ML）的Brier评分在校准前为0.205，在校准后为0.127。与模型1类似，模型2（ML与CACS）之前的Brier评分为0.224，校准后评分为0.099。此外，进行连续NRI比较ML模型（模型1和2）与传统的比较风险评分（模型3,4和5）。与模型5（UDF）相比，当模型1（ML）与模型3（CAD联盟）和NRI 0.685（95％CI 0.600-0.770）进行比较时，净重分类指数为0.585（95％CI 0.495-0.671））。同样，模型2的表现优于模型4（CAD consortium +CAC评分：NRI 0.816; 95％CI 0.713-0.900）和 模型5（UDF：NRI为1.144; 95％CI 1.067-1.220）。

4   研究意义      

本研究中研究人员开发了基于CCTA图像数据和临床特征的ML模型，用于预测CCTA上的阻塞性CAD，该模型具有高度准确性，并且对阻塞性和非阻塞性的CAD进行了正确的重新分类。另外，冠状动脉钙化指标CACS的加入进一步改善了风险分层，使得包含CACS和临床变量的ML算法大大提高了对非典型症状年轻个体的初始评估准确性。机器学习模型结合了现有的临床特征提高了排除阻塞性CAD的能力，该模型/方法在未来的临床实践中能够改善决策，并为适当的风险个人简化资源，降低医疗成本。

转载声明： 本文系 医学AI社  编辑 翔瑜 整理写作，欢迎朋友圈转发分享，也欢迎就相关专业知识进行批评指正。如需转载或者开白名单，请关注“医学AI社”与我们取得联系同意，或者邮箱“Med_AI@outlook.com”联系。未经同意，请勿转载！