What are the key findings of this study?

أظهرت FFR المستخرجة من خوارزمية التعلم الآلي (FFR ML ) أداءً مشابهًا لـ FFR CFD في الكشف عن نقص تروية محددة الآفة، حيث أن كلاهما يتفوقان على تخطيط الأوعية التاجية عبر الأشعة المقطعية.

What does this research mean for the field?

The FFR derived from machine learning algorithm (FFR ML ) shows similar performance to FFR CFD in detecting lesion-specific ischemia, both outperforming coronary CT angiography. Novelty: ClaimNovelty.CONFIRMATORY. Consensus alignment: ConsensusAlignment.NEUTRAL.

April 10, 2018

تخطيط الأوعية التاجية عبر الأشعة المقطعية المستندة إلى احتياطي تدفق المستخلص: خوارزمية التعلم الآلي مقابل نمذجة ديناميكا السوائل الحاسوبية

Key Result

أظهرت FFR المستخرجة من خوارزمية التعلم الآلي (FFR<sub>ML</sub>) أداءً مشابهًا لـ FFR<sub>CFD</sub> في الكشف عن نقص تروية محددة الآفة، حيث أن كلاهما يتفوقان على تخطيط الأوعية التاجية عبر الأشعة المقطعية.

Study Design

Type

آخر

Multicenter

Structured PICO

هل تؤدي خوارزمية التعلم الآلي لـ FFR المستخرج من CT نفس الأداء الجيد مثل نمذجة ديناميكا السوائل الحاسوبية في الكشف عن نقص تروية محددة الآفة؟

Population

85 مريضًا (متوسط العمر 62 ± 11 سنة، 62% رجال) خضعوا لتخطيط الأوعية التاجية عبر الأشعة المقطعية تلاه FFR الغازي في دراسة استرجاعية ذات مركز واحد.

Intervention

احتياطي تدفق كُلى مستخرج من تخطيط الأوعية التاجية عبر الأشعة المقطعية استنادًا إلى خوارزمية التعلم الآلي (FFR_ML)

Comparator

احتياطي تدفق كُلى مستخرج من تخطيط الأوعية التاجية عبر الأشعة المقطعية استنادًا إلى ديناميكا السوائل الحاسوبية (FFR_CFD)، وتصنيف تضيق الرؤية في تخطيط الأوعية التاجية عبر الأشعة المقطعية، وتخطيط الأوعية التاجية الكمي (QCA)، مع FFR الغازي كمعيار مرجعي.

Outcome

الأداء التشخيصي (الحساسية، الخصوصية، والمساحة تحت منحنى خصائص التشغيل) للكشف عن نقص تروية محددة الآفة.surrogate

تقدم الطريقة المعتمدة على التعلم الآلي لـ FFR المستخرج من CT دقة تشخيصية مكافئة لنمذجة ديناميكا السوائل الحاسوبية في الكشف عن نقص تروية محددة الآفة، ولكن بأوقات معالجة أقصر بشكل كبير.

Main Result

Absolute Event Rate: 0% vs 0%

Abstract

الغرض هو مقارنة نهجين فنيين لتحديد احتياطي تدفق كُلى من الأشعة المقطعية للقلب (CT) المستند إلى ديناميكا السوائل الحاسوبية (FFRCFD) واحتياطي تدفق كُلى المستند إلى خوارزمية التعلم الآلي (FFRML) - مع تخطيط الأوعية التاجية عبر الأشعة المقطعية وتخطيط الأوعية التاجية الكمي (QCA). المواد والأساليب تم تضمين 85 مريضًا (متوسط العمر، 62 عامًا ± 11 انحراف معياري؛ 62% رجال) خضعوا لتخطيط الأوعية التاجية عبر الأشعة المقطعية تلاه FFR الغازي في هذه الدراسة الاسترجاعية ذات المركز الواحد. تم اشتقاق قيم FFR في الموقع من مجموعات بيانات تخطيط الأوعية التاجية عبر الأشعة المقطعية باستخدام كلاً من FFRCFD وFFRML. تم مقارنة أداء كلتا التقنيتين في الكشف عن نقص تروية محددة الآفة مع تصنيف تضيق الرؤية في تخطيط الأوعية التاجية عبر الأشعة المقطعية، وQCA، وFFR الغازي كمعيار مرجعي. النتائج في مستوى الآفة ومستوى المريض، أظهرت FFRML حساسية بنسبة 79% و90% وخصوصية بنسبة 94% و95%، على التوالي، للكشف عن نقص تروية محددة الآفة. في الوقت نفسه، أسفرت FFRCFD عن حساسية بنسبة 79% و89% وخصوصية بنسبة 93% و93%، على التوالي، على أساس الآفة والمريض (P = .86 وP = .92). على مستوى الآفة، أظهر منطقة تحت منحنى خصائص التشغيل (AUC) قدرها 0.89 لـ FFRML و0.89 لـ FFRCFD قدرة تمييزية أعلى بشكل كبير في الكشف عن نقص تروية محددة الآفة مقارنة بتلك الخاصة بتخطيط الأوعية التاجية عبر الأشعة المقطعية (AUC، 0.61) وQCA (AUC، 0.69) (جميع P < .0001). كانت مدة إجراء FFRML أقصر بشكل كبير مقارنة بـ FFRCFD (40.5 دقيقة ± 6.3 مقابل 43.4 دقيقة ± 7.1؛ P = .042). الاستنتاج: تؤدي خوارزمية FFRML أداءً متساويًا في الكشف عن نقص تروية محددة الآفة مقارنة بنهج FFRCFD. كلتا الطريقتين تتفوقان في دقة تخطيط الأوعية التاجية عبر الأشعة المقطعية وQCA في الكشف عن تضيق محدد يعيق التدفق.

Bookmark