基于深度学习的冠状动脉钙化评分源自无门控胸部CT与2型糖尿病患者的重大不良心血管事件

深度学习（DL）模型可以利用无门控胸部CT扫描量化冠状动脉钙化。然而，基于DL的冠状动脉钙化评分（DL-CACS）在预测2型糖尿病患者（T2DM）的重大不良心血管事件（MACEs）方面的预后价值仍不明确。本研究旨在评估基于无门控胸部CT扫描的DL-CACS在T2DM患者中的预后价值，并开发预测MACEs的风险分层模型。回顾性纳入接受无门控胸部CT扫描的T2DM患者，并随访至少2年。来自医院A的患者随机分配到训练队列和内部验证队列，比例为3:2。在训练队列中开发了两个预测模型：模型1使用Framingham风险评分（FRS），模型2结合了FRS和DL-CACS。来自医院B的外部验证队列和内部验证队列用于验证提出的模型。本研究共纳入2,241名T2DM患者（中位年龄61岁；范围54–68岁；1,257名男性）。随访期间10.71%（240/2241）的患者发生了MACEs。发生MACEs的患者与未发生MACEs的患者相比，DL-CACS值显著较高（p < 0.001）。在训练队列中，多变量Cox回归分析确定DL-CACS是MACEs的独立预测因子（风险比HR，1.07；p < 0.001）。此外，模型2在训练、内部验证和外部验证队列中相比模型1表现出更好的预测性能。在外部验证队列中，模型2的C指数大于模型1（C-Index，0.70 0.63–0.77 vs. 0.67 0.61–0.74；p = 0.007）。源自无门控胸部CT的DL-CACS是MACEs的独立预测因子，并为T2DM患者提供了相较于FRS的额外风险分层价值。