基于计算流体动力学来源的冠状动脉CTA血流储备分数和基于机器学习算法的冠状动脉CTA得到的FFR方法比较

冠状动脉造影及血管内超声均被认为是诊断冠心病的“金标准”，但它们只能对病变狭窄程度进行影像学评价，而狭窄到底对远端血流产生了多大影响（功能评价）却不得而知；且这些图像形态学的方法并不能识别造成患者心肌缺血的病变，还可能高估或低估病变的严重程度，导致需要治疗的病变没有处理或过度处理不需治疗的病变。血流储备分数（FFR）是指在冠状动脉存在狭窄病变的情况下，该血管所供心肌区域能获得的最大血流与同一区域理论上正常情况下所能获得的最大血流之比。

一项研究比较基于计算流体动力学来源的冠状动脉CTA血流储备分数（FFR）（FFRCFD）和基于机器学习算法的冠状动脉CTA得到的FFR（FFRML）两种技术方法的价值。

本研究共纳入了85例行冠状动脉CTA及侵入性FFR的患者，其中男性53例，平均年龄（62±11）岁。利用FFRCFD和FFRML于冠状动脉CTA原始数据中得到FFR值两种技术检出病变特异性缺血的能力与冠状动脉CTA、QCA上主观狭窄评价进行比较，以侵入性FFR作为参考标准。

结果显示在在每病灶和每个患者的水平上，FFRML检出病变特异性缺血的敏感性分别为79%、90%，特异性为94%、95%。同时，FFRCFD 检出病变特异性缺血的敏感性分别为79%、89%，特异性分别为93%、93% (P＝0.86、P＝0.92)。对于每一次病变，FFRML和FFRCFD检出病变特异性缺血的AUC分别为0.89、0.89，均明显高于冠状动脉来源FFR(AUC，0.61)和QCA(AUC，0.69) (P均＜0.0001)。同时，对于每一位患者，FFRML (AUC，0.91)、FFRCFD (AUC， 0.91)也由于冠状动脉CTA(AUC，0.65)和QCA(AUC，0.68) (P均＜0.0001)。FFRML 的处理时间要明显短于FFRCFD﹝（40.5±6.3）分vs（43.4±7.1）分；P＝0.042)﹞。

本研究表明，与FFRCFD方法相比，FFRML算法在检测病灶特异性缺血时具有同样的效果。两种方法均优于冠状动脉造影和QCA在血流限制狭窄检测中的准确性。

来源：TescheC, De Cecco CN, Baumann S, et al. Coronary CT Angiography-derived Fractional Flow Reserve： Machine Learning Algorithm versus Computational Fluid Dynamics Modeling.Radiology. 2018 Apr 10:171291.

《血管与腔内血管外科杂志》

2018.05.22

关注订阅

“血管与腔内血管外科杂志”公众号平台