壹生资讯-冠脉生理学评估在PCI术后风险模型中有重要作用

您已通过HCP身份认证和信息审核

(

冠脉生理学评估在PCI术后风险模型中有重要作用 | 健心知著

2021-02-15作者：论坛报沐雨资讯

冠心病原创

前沿分享

冠脉生理学评估在冠心病患者支架置入后风险模型中有较大作用

北京大学人民医院刘健、卢亚辉、孙浩宁

微信图片_20201228165245.jpg

健心荐语

此项研究显示，PCI术后的冠脉生理学评估在靶血管失败(Target Vessel Failure,TVF)风险模型中占比权重较高，提示了PCI术后冠脉生理学评估的重要性。本文运用的随机生存森林模型的基本原理为人工智能及深度学习，可以从大量数据中识别出非线性数据模式。

文章及背景介绍

以冠脉血流储备分数（FFR）为代表的冠脉生理学评估在判断冠脉是否有功能性缺血以及是否需要进行PCI方面的价值已经得到了许多证据证明。但除了PCI术前评估以外，冠脉生理学评估还能预测支架置入后的预后风险。本试验目的是建立一种结合临床、血管造影和冠脉生理评估的风险预测模型，并探究FFR在此风险模型中的作用。

试验方法介绍

本试验人群来自国际PCI后FFR注册队列(The International Post PCI FFR Registry)，纳入了来自中国、日本及韩国三个国家的病例。所有患者都经过了第二代DES置入，并且拥有临床、冠脉造影及支架后FFR数据。排除数据有遗漏的患者后，共纳入了2200名患者。模型的预测终点为2年内的TVF。TVF被定义为心源性死亡、靶血管所致心肌梗死及靶血管血运重建。本试验运用随机生存森林模型(Random Su-rvival Forest Model,RSF)进行疾病风险模型分析。用Harrell C指数代表各种风险模型的预测性能。

结果

随访2年间TVF的累计发生率为5.9%。从临床、血管造影及血管生理指标中选择了6个变量构成了支架置入后的TVF风险模型，这些变量依据权重大小排列如下：总支架长度、支架后FFR、年龄、支架后直径百分比狭窄、参考血管直径和糖尿病。

微信图片_20201228165251.jpg

图 1风险模型中的变量选择与变量权重占比

与仅具有临床因素的风险模型(Harrell's C index = 0.55; 95% CI: 0.41~0.59， P=0.005)和结合临床及血管造影的风险模型(Harrell's C index = 0.65; 95% CI: 0.52~0.77，P=0.045)相比,结合了临床、血管造影及PCI后FFR的Harrell's C指数更高(Harrell's C index= 0.72; 95% CI: 0.62~0.82)。说明结合了临床、造影及FFR的模型的风险预测性能更好。

微信图片_20201228165254.jpg

图2 不同纳入因素的疾病风险模型的预测性能比较

将患者按置入支架长度的中值(30 mm)分为两组分别分析两组患者的TVF风险模型。结果显示，在长支架组中，总支架长度的可变权重最高；而在短支架组中，PCI后的FFR值的可变权重最高。说明在短支架组中，PCI后FFR预测TVF风险能力较高。

微信图片_20201228165256.jpg

图3 依据支架长度分组后的疾病风险模型权重占比

结论

一个包含了临床特点、血管造影结果及PCI后冠脉生理指标的疾病风险预测模型可以帮助我们预测支架置入后2年内的TVF风险。支架长度及支架置入后FFR值是此模型中最重要的预测因素。

点评

支架置入后的风险预测模型可以显示不同因素参与TVF风险的权重占比，从而可以帮助我们对高危的风险因素进行针对性的干预，调整二级预防的策略，从而改善患者预后。此文显示，PCI术后的冠脉生理学评估在TVF风险模型中占比权重较高，提示了PCI术后冠脉生理学评估的重要性。本文运用的随机生存森林模型的基本原理为人工智能及深度学习。可以从大量数据中识别出非线性数据模式。机器学习已应用于心血管领域，与常规的风险模型算法相比预测性能更好。期待机器学习能在更多的方面帮助心血管医生进行临床决策分析。

200 评论

知情同意书

冠脉生理学评估在PCI术后风险模型中有重要作用 | 健心知著

冠脉生理学评估在冠心病患者支架置入后风险模型中有较大作用

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接