條文本
PDF
文摘
介紹冠狀動脈疾病(CAD)是全球死亡的主要原因。超過四分之一的心血管事件原因不明的當前絕對心血管疾病風險計算器,和個人沒有臨床危險因素已被證明有更糟糕的結果。解剖學的風險的假設承認不良冠狀動脈的解剖特征增強動脈血液動力學,進而調節斑塊的本地化和進展。我們提出一個新的風險預測方法基於CT冠狀動脈造影(CTCA)數據和先進的機器學習方法基於更好地了解解剖CAD的風險。這可能開辟新的途徑實現個性化的預防治療在早期易感個體作為一個潛在的CAD的關鍵在應對日益增長的負擔。
和分析方法GeoCAD是一個1000年的回顧性隊列研究成年患者經曆了CTCA疑似CAD的調查。測試這是一個概念驗證研究假設先進image-derived缺失數據可以準確地預測長期的心血管事件。的目標是(1)概要CTCA圖像解剖形狀的變化和血液動力學的表達風險有關,至少在某種程度上,一個人的CAD風險,(2)開發一種機器學習算法的快速評估解剖風險直接從未經加工的CTCA圖像和(3)構建小說CAD模型結合傳統風險因素與風險這些小說解剖生物標誌物來提供更高的精度CAD風險預測工具。
道德和傳播研究協議已經批準的聖文森特醫院的人類研究倫理委員會,悉尼- 2020 / ETH02127和新南威爾士州人口和衛生服務研究倫理委員會- 2021 / ETH00990。項目成果將發表在同行評議和生物醫學期刊、科學會議和更高程度的研究論文。
- 冠心病
- 計算機斷層掃描
- 風險管理
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
GeoCAD是一個1000年回顧性隊列研究評估解剖風險成年患者進行CT冠狀動脈造影對疑似冠心病(CAD)。
我們提出一個新穎的方法基於我們目前所了解的臨床和額外的人口風險因素,冠狀動脈鈣評分方法和機器學習方法確定形狀之間的關係特性,壁剪應力和臨床端點在人口眾多的風險。
這提供了一個前所未有的機會將先進的成像分析臨床實踐,用新穎的解剖生物標誌物為CAD開發改進的風險模型。
這是一個隻有研究可能限製了病人群體考慮,發現可能因此被限製在這樣的群體。
介紹
具有裏程碑意義的弗雷明漢心髒研究,於1948年開始,建立了冠狀動脈的原則與臨床危險因素風險分析使用一個簡單的方程的獨立預測冠狀動脈疾病(CAD),今天仍然是常用的。1然而,CAD仍然是全球死亡的主要原因,盡管他汀類藥物治療和運動的實現對激進的低密度脂蛋白(LDL)膽固醇降低。2 - 4事實上,超過四分之一的心血管事件是由臨床風險原因不明的方程,揣摩分析,還有其他動脈粥樣硬化的危險因素尚未確定。5個6甚至更令人擔心的是,st段抬高心肌梗死肝素)患者沒有標準修改的風險因素(藍精靈)住院的結果也顯著地更嚴重而與一個或多個風險因素。7當代評分算法研究等預測在新西蘭和英國QRISK3顯示承諾改善心血管風險評估的準確性在脆弱中加入額外的人口預測高危人群如社會經濟指標和種族。8 9不可避免的是,有一個巨大的機會來提高CAD風險預測通過確定剩餘風險指標可能產生一個範式轉換,即從幹預更加重視初級預防。
解剖生物標誌物包括血液動力學的風險的解釋,至少在某種程度上,對心血管疾病的易感性差異的個體,從而可以幫助改善心血管風險識別和分層。6 10 11具體來說,動脈粥樣硬化的表現是三合一的係統性風險因素之間的複雜相互作用,血液動力學的因素和動脈壁的生理反應。10係統性風險因素加劇創建當前概率風險評分,1然而,後兩個,血液動力學的因素和生理反應,仍然忽視臨床風險評估。然而,它已被觀察到動脈粥樣硬化斑塊形成和進步優先在幾何預設的位置如動脈分岔,盡管整個動脈樹暴露在係統性風險因素。10這些不同的區域的特點是低壁麵切應力(WSS),這是眾所周知的,提高硬化的分子,細胞和血管反應。12低shear-dependent傳質機製被卡羅首次提出血管硬化等,13日14和後來證明膽固醇積累低WSS動脈地區居住的擴散從動脈壁射流管腔內的血液由於濃度梯度減小。13這形成了理解WSS直接調節動脈壁的血液動力學的環境,可以提高局部地區偏愛動脈粥樣硬化。15後來的研究驗證了這一假設,即低WSS (< 0.5 Pa)被發現刺激動脈內皮細胞表型,以更大的內皮細胞增殖的影響下血管收縮劑和促有絲分裂的物質如內皮素,血管緊張素ⅱ和血小板源生長因子B, apoptogenic刺激如氧化低密度脂蛋白和腫瘤壞死因子α,炎症介質如單核細胞趨化現象的肽1和粘附分子如血管細胞粘附分子1。16日17之後,除了瞬時低WSS,心動周期時均低WSS也確定為動脈粥樣硬化的血管病理生理學的重要調節器。18因此,它正日益認識到,血液動力學的因素可以形成一個有價值的指標精度高心血管風險預測除了常用的臨床風險評分。
重要的是要注意,冠狀動脈解剖支配WSS的本地化發展動脈樹,從而介導內皮細胞內的反應,15製定風險的“解剖”假說。10 12雖然體內的血流動力學因素難以評估,冠狀動脈解剖特征明顯的標準醫學圖像和未來可能提供了一個途徑融入臨床CAD風險評估標準。
動脈幾何的概念首先被弗裏德曼提出的風險等在脈動的流經投射的研究人類主動脈分支,在1983年,6這確認幾何分岔特性導致重大變化WSS分布。最近計算的研究建立在弗裏德曼的早期作品,導致幾個解剖特點的發現可以顯著影響WSS (箱1)。19-26盡管近年來的進展,研究冠狀動脈血液動力學和臨床結果之間的聯係是我們理解的關鍵解剖風險和可能直接相關識別個人沒有藍精靈CAD發展的風險。
候選人解剖生物標誌物對冠狀動脈疾病和血液動力學的變量
幾何生物標誌物
分流器從主動脈抵消軸。
向內彎曲。
有角的女兒分支。
不對稱的t形截麵的分岔。
分岔角。
心髒曲率。
血管直徑。
流入的角度。
曲折。
血流動力學參數
壁剪切應力(WSS)。
WSS定。
有意義的進展這樣的理解受到缺乏先進的成像技術和計算資源,禁止大規模的人口研究直到最近。的進化ct冠狀動脈造影(CTCA)技術和改進的空間和時間分辨率使廣泛的預防心髒病學領域的新應用程序,如冠狀動脈鈣評分的集成與臨床風險方程,用增量CAD風險的預測價值。27 28結合處理能力和存儲的增加促進高保真(主要是醫學圖片)大數據的努力加上機器學習方法的興起,快速、實用的自動化係統更好的CAD風險評估現在不是一個遙遠的願景,但在不久的將來的機會。29日傳統的機器學習方法(邏輯回歸,再鄰居,支持向量機,基於樹的算法)曾被用於風險分層。30 -最近的方法,包括深層神經網絡,現在超越這些早期的嚐試。33-36這些領域最新發展這樣一個強大的框架,先進的成像分析轉化為臨床CAD風險評估實踐。
不過,心髒CT需要不利的輻射和一些研究試圖利用進行非心髒成像CAD危險因素進行調查。37-39深度學習模型取得了可喜的成果在使用低劑量CT成像對肺癌篩查,37和危險因素,如血壓、吸煙史和糖尿病,已經成功地從視網膜中確定視網膜血管圖像,38顯示相關CAD風險和全因死亡率。39這展示了潛在的風險和解剖學的一般調查患者image-derived生物標誌物,因為這些可能不僅僅是與心髒CT但也可以部署到一係列可用的成像模式。
其他值得注意的方法更好的CAD風險預測包括機器學習係統包括係統性生活方式因素結合的數據可穿戴設備與傳統風險因素,40和類似的深度學習係統,旨在包括局部標記通過自動預測冠狀動脈鈣評分。41這些作品展示這些努力的潛力,這可能是特別相關,當考慮更好的風險評估具體的子組包括更多的弱勢群體。8 9
在這裏,我們提出一個新穎的方法,建立在先前的知識和方法確定形狀之間的關係特性,WSS和臨床端點在人口眾多的風險,目的是生成一個優越的CAD風險預測模型。我們所知,容器幾何和血液動力學的影響尚未占CAD模型到目前為止,風險,因此我們的方法提供了一個前所未有的機會來研究詳細解剖生物標誌物駕駛血液動力學的過程與CAD除了鈣得分和標準的風險評估。最先進的機器學習方法將被應用到開發一個實用的係統生成新的見解以前無法解釋的易感性在許多個人沒有藍精靈。我們的專家團隊將建立這樣一個先進的CAD風險模型使用機器學習算法。具體地說,某人之前和團隊開發出了冠狀阿特拉斯,世界上第一個和最大的三維CT計算阿特拉斯描述的詳細統計剖析冠狀動脈樹。11 42-44這導致了引入一個新的冠狀形狀參數流入角度,定義為角度的近端血管進入分叉平麵,以及第一冠狀形狀特征分類。11 43冠狀Atlas框架提供了一個係統、全麵的大規模數據集整合來自多個個人和產生新的見解冠狀動脈解剖和WSS模式之間的關係,然後我們成功預測直接使用機器學習。22日45這闡明WSS在個人的理解直接影響個體CAD易感性和支撐目前的方案來解決我們理解的差距解剖CAD的風險。易感個體的識別和靶向治療的早期實現基於特定的數據可能需要我們更近一步的聖杯預防心髒病。
和分析方法
病人和公眾參與
病人/公眾並不直接參與研究。然而,這項研究旨在解決的概念我們理解的差距對CAD的四分之一的個人沒有標準臨床患有不明原因的心血管事件危險因素。這項研究結果將在同行評議的雜誌上發表論文,傳播科學會議和更高程度的研究論文,這將提供一個強大的框架將研究結果轉化為臨床實踐改善冠心病風險分析一般人群。
目標
GeoCAD研究的主要目的是:
1。識別小說解剖生物標誌物來提高CAD風險預測的準確性。
的次要目標GeoCAD研究(圖1):
概要CTCA圖像人口眾多關於解剖形狀的變化和血液動力學的相關風險,包括個人的解剖的風險。
開發一種機器學習算法的快速評估解剖風險直接從未經加工的CTCA圖像。
開發一種新型CAD模型結合傳統風險因素與風險解剖的風險。
GeoCAD研究流程圖。體重指數、體重指數;英國石油(BP)、血壓;機電、冠狀動脈鈣評分;CAD、冠狀動脈疾病;CHeReL,中心衛生記錄鏈接;CTCA, CT冠狀動脈造影;低密度脂蛋白、低密度脂蛋白;重度,頻譜醫學成像;藍精靈,標準可改變的危險因素。
研究類型
GeoCAD回顧性隊列研究(圖1)。來測試這是一個概念驗證研究假設先進image-derived針對病人的信息可以準確地預測長期的心血管事件。
研究人群
回顧1000成年病人CTCA由於疑似CAD將從CTCA數據庫確定頻譜醫學成像,悉尼,澳大利亞。我們將確定病人經曆了至少兩個CTCA掃描從2010年起(由於、CTCA圖像分辨率)允許幾何和斑塊特性的比較。我們將使用最古老的記錄可用,以便延長隨訪期。病人會選擇和篩選,滿足所有的患者的入選標準和排除標準的將會被選擇的研究。
入選標準
病人提到至少兩CTCA掃描進行調查疑似CAD從2010年起在醫學成像。
年齡:18歲或以上。
排除標準
患者有心肌梗塞(MI)之前,經皮冠狀動脈介入(PCI)或冠狀動脈旁路移植(CABG)。
數據收集
從光譜成像和相關的數據將被收集醫療成像和將包括以下幾點:
CTCA醫學數字成像和通信(DICOM)文件。
冠狀動脈優勢。
中間支動脈的存在與否。
冠狀動脈鈣評分。
所有病灶的位置、嚴重性和斑塊成分根據美國心髒協會16段分類。46
臨床數據將被收集從頻譜醫學成像和行政中心數據集關聯的新南威爾士健康記錄鏈接(CHeReL)(承認病人數據收集(項目),注冊表的出生、死亡和婚姻,和澳大利亞協調注冊死因單位記錄文件)。項目記錄包括包含診斷編碼根據國際疾病分類,10日,澳大利亞修改和修訂程序根據澳大利亞衛生幹預措施的分類編碼。臨床數據將包括以下幾點:
人口數據(年齡、性別)。
藍精靈(高血壓、糖尿病、dyslipidaemia、吸煙)。
病史(如心肌梗死之前,PCI和CABG)。
藥物的曆史。
5。臨床結果(全因死亡、心血管死亡、冠狀動脈造影、心髒衰竭住院,非致命性心肌梗死、非致命性中風、血管形成和不穩定心絞痛需要住院治療)。
7所示。主要不良心血管事件被定義為心血管死亡、非致命的MI和非致命性中風。
數據治理
數據管理實踐將遵循的原則澳大利亞負責任的研究行為的代碼。項目的研究數據管理計劃已經建立和管理使用新南威爾士大學(新南威爾士大學)ResToolkit平台。所有的研究數據將根據新南威爾士大學分類標準和分類處理根據新南威爾士大學數據處理指南。
適當情況下匹配包含和排除標準選擇和加入他們的號碼。DICOM文件和報告病例將在光譜從一個中央存儲庫下載醫學成像到本地服務器在防火牆。DM將半自動地按照和複製數據安全的密碼保護存儲在新南威爾士大學的服務器上通過加密通道。DM不會參與關聯數據的分析。研究人員分析數據隻會訪問匿名數據。所提供的數據將被轉移到數據檔案提供對於本項目(RDMP ID: D0240165),評為適合敏感數據,使用數據歸檔的web應用程序。新南威爾士大學數據歸檔數據加密和訪問新南威爾士大學數據存檔密碼保護,需要連接到新南威爾士大學的虛擬專用網(VPN)與一個有效的大學賬戶。
成像數據將被安全地與CHeReL數據集如下:
分裂、數據集成和信息披露:識別信息如姓名、地址和出生日期分開內容信息,如成像數據。所有的參與者將被分配一個任意的人數量替換識別信息。研究具體項目的人數量(PPN)將為每個參與者使用的加密版本任意數量的人。所有記錄的參與者PPN相同。
創建一個數據集研究:采用PPN,研究團隊可以結合記錄沒有訪問識別信息的參與者。可用的數據分析研究團隊不可辨認的格式。
數據分析計劃
形狀特征
重要的是要注意,分析船舶幾何及其在同一個病人血液動力學年將提供關鍵和前所未有的見解穩定CAD的發展,允許比較動脈幾何和斑塊的變化隨著時間的推移,闡明血液動力學的作用。深入學習方法在圖像分割和分析,獲得了顯著的受歡迎特別是由於分段U-Net成功的醫學圖像。47虛擬的冠狀動脈解剖模型將使用深CTCA的重建圖像卷積神經網絡基於nnU-Net架構,48這個方法已被證明適用於自動化的冠狀動脈分割。49Taubin算法平滑後與血管和血管中心線提取建模工具包,50動脈樹相關的幾何特性將量化使用內部的python腳本。這包括分支中值直徑、彎曲度、曲率(平均曲率Frenet-Serret公式用於分析)。51 52每種情況下的處理時間是大約2分鍾在一個核心2.9 ghz Xeon es - 2670。
血流動力學指標
血液動力學將使用驗證機器學習模型,計算45在不到一分鍾每箱在一個核心2.9 ghz Xeon es - 2670。這使得一代的血液動力學的風險指標基於船舶幾何,避免需要高計算成本與標準相關的計算模型。瞬態模擬將用於調查整個心動周期脈動的流動條件。血液的非牛頓行為將占使用Carreau-Yasuda粘度模型。53血液動力學的建模遵循專家的建議冠狀造型。54
機器學習
基於我們之前的機器學習從重建血液動力學預測模型,45附加功能如人口統計信息和醫療曆史將被納入模型提高預測精度。本地連接層,55將用於構建二維特征圖從全球形狀、臨床和人口統計信息,生成特征圖譜,可以適當模型這一信息的影響在不同地區的分岔。卷積神經網絡層是用來預測血流動力學指標,容器表麵反應和預期的疾病發展冠狀血管。深度學習模型將被用來生成pixelwise預測,可以對後續相關成像研究局部斑塊的增長和發展基於血液動力學的描述符,以及整體風險指標將被評估和全因死亡率。此外,隨機森林模型56將在相同的數據訓練調查傳統的機器學習方法的性能與深度學習,並可能提供更intrepretable風險模型。訓練模型的性能將被評估和比較使用10倍交叉驗證。接受者操作特征曲線下的麵積57指標將被用於比較的預測機器學習模型現有文獻機器學習風險模型41以及傳統模型。這允許簡單的比較與其他模型intrepret通常報道和簡單。
統計分析計劃
額外的統計分析將探索開發非傳統的潛在風險因素之間的關係和臨床端點數據。連續變量將意味著(±SD)和分類變量比例(%)。對比組將使用獨立的學生進行t Bonferroni調整為連續變量和χ2或確切概率測試連續變量。單變量和多變量分析將使用Mantel-Haenszel執行邏輯回歸。p < 0.10的單變量變量將包含在多變量分析中。有識別力的多變量模型的性能將會評估使用哈勒爾的c-statistic。多變量模型之間的比較將使用淨評估重新分類索引。小動物——一張長有p < 0.05 Bonferroni調整將被認為是重要的。樣本容量1000就足夠了,因為我們的估計,我們需要至少445名患者的樣本顯示,c-statistic 0.80是明顯不同於零假設(假設c-statistic 0.71 Framingham風險評分),考慮p值為0.05,80%的力量和事件率為20%。
道德和傳播
研究協議已經批準的聖文森特醫院的人類研究倫理委員會,悉尼- 2020 / ETH02127和新南威爾士州人口和衛生服務研究倫理委員會- 2021 / ETH00990。委員會授予的豁免的一般要求同意。項目成果將發表在同行評議和生物醫學期刊、科學會議和更高程度的研究論文。病人將保持機密性不包括任何個人識別信息的出版物。不可辨認的數據(統計形狀分析和血液動力學的模擬)將冠狀地圖網站上與其他研究人員共享。我們不會共享任何原始影像數據與其他研究人員或單位記錄數據。
討論
不利的解剖特點的角色在CAD的風險尚不清楚。幾項研究已經表明,分叉角(圖2),定義為血管分支後,女兒之間的角度是一個幾何動脈粥樣硬化的危險因素。月19 - 21日然而幾個後來的研究顯示,分叉角隻有最小的血液動力學的影響,22 - 24這事實上結合其他形狀特征(流入角,直徑和彎曲度)決定走強或緩解對WSS的影響。有些研究表明血管迂回曲折,23 58曲率24和橫截麵積,25日26日也可能在當地WSS發展中發揮作用。59總的來說,不一致的觀測幾何參數的文獻表明,解剖的風險因素仍然知之甚少,可能由於其複雜的三維結構與相互依存的血液動力學的一些形狀特征的影響。22
三維的代表候選人解剖生物標記:(1)分岔角(角B),定義為女兒之間的角血管分支後,(2)流入角度,定義為近端血管進入分岔的角平麵,直徑(3),(4)曲率半徑(1 /)和(5)曲折(長度、直徑)。
當前絕對心血管疾病風險計算器在澳大利亞是基於方程的弗雷明漢風險。1模型被開發來估計一個人的五年和10年期心血管疾病的風險使用點分數算法包括臨床危險因素(年齡、女性、收縮壓、總膽固醇、高密度脂蛋白膽固醇、吸煙、糖尿病和心電圖描記的左心室肥大)。最近的一項薈萃分析的驗證研究評估的歧視表現10年期弗雷明漢風險模型發現了彙集c-statistic 0.68 (95% CI 0.66 - 0.69), 0.71(95%可信區間0.66到0.76)。5在這個平凡的辨別力,它變得明顯,四分之一的患者的心血管不良事件仍然無法說明的弗雷明漢風險模型,這迫切需要確定剩餘的動脈粥樣硬化的危險因素。事實上,最近的一項研究通過兩個大的多中心澳大利亞注冊發現大量和增加的比例STEMI患者個人沒有藍精靈。7此外,19%的患者SMuRF-less,這一比例從14%上升到23%在研究期間。關於,SMuRF-less患者住院死亡率高於患者一個或多個藍精靈(6%比4%,p = 0.032)。很可能先進image-derived針對病人的信息占了其中的一些原因不明的脆弱的感情在SMuRF-less個體動脈粥樣硬化,甚至通過成像檢測分析。
CTCA技術已經有了完善的預防心髒病學領域的作用。蘇格蘭的心髒和前瞻性多中心成像研究CT胸部疼痛評估試驗具有裏程碑意義的研究,表明CTCA-guided策略提高穩定性心絞痛症狀患者的臨床結果,提高了診斷的確定性和CAD和隨後的頻率實現適當的二級預防和血管形成。60 - 62
不過,CTCA的角色在CAD患者無症狀仍有些不確定。因子- 64試驗已迄今為止唯一的隨機臨床試驗來評估常規CTCA篩查CAD的預後價值在這個人口。63年超過900高危糖尿病患者被隨機CTCA或標準國家guidelines-based最佳醫療服務,即,在四年隨訪,沒有差別的主要結果死亡,非致命性心肌梗死或不穩定心絞痛需要住院治療。然而,這次審判是不充分的動力因事件率低於預期。同樣,CTCA的薈萃分析評估預後價值超過6000糖尿病患者,即三分之二是無症狀的,觀察到一個更高的風險比如果血管阻塞性CAD是包括作為一個endpoint-meaning CTCA在一些人口可能預後有重要影響。64年不過,注冊表的研究更廣泛的無症狀人群也表明CTCA發現(位置、嚴重性和斑塊成分)增量預後效用超出了傳統的風險因素。65年
幾項研究已經證明了冠狀動脈鈣評分的預測價值,除傳統CAD的危險因素。27 28南灣的心觀察研究發現,鈣分數高於300結合弗雷明漢風險評分明顯改善了歧視的能力(c-statistic 0.68 vs 0.63, p < 0.001)。27同樣,聖弗朗西斯心髒研究表明,冠狀動脈鈣評分優於弗雷明漢風險指數的預測動脈粥樣硬化性心血管疾病事件(c-statistic 0.79 vs 0.69, p = 0.0006)。28還應該指出的是,鈣的分布被發現更重要比鈣評分在預測心血管事件。66 67具體地說,在1200多個參與者的後代和第三代軍團弗雷明漢心髒研究,結果表明,冠狀動脈的鈣,特別是鈣的存在主要冠狀動脈近端,獨立預測冠心病調整後的弗雷明漢風險評分和冠狀動脈鈣評分。67年添加鈣分布改善了歧視性的多變量模型的能力與弗雷明漢風險評分和鈣得分為冠心病事件(c-statistic 0.79到0.80 vs 0.77,相對綜合歧視性指數0.14)。這項研究證實了早先的觀察分析3262名參與者在多民族動脈粥樣硬化的研究人群中,這表明,廣泛分布的鈣,作為評估與冠狀動脈鈣化斑塊的數量,顯著提高預測心血管事件的能力超出了鈣得分(c-statistic 0.67 vs 0.64, p = 0.0001)。66年
鈣得分之外,基於機器學習方法的最新焦點領域,使甚至非常大的數據集的有效處理與潛力的基於雲的臨床集成。然而,在這樣一個關鍵挑戰進行可比性,和再現性在不同的臨床隊列,成像和掃描協議規範,當然最重要的是,病人的隱私和數據安全的保證。68年
主要是使用機器學習方法結合醫學圖像和其他醫療數據69 70訓練多個非線性分類器(支持向量機、邏輯回歸樹模型,神經網絡)來預測死亡率。71 72CTCA應用深度學習應用程序允許檢測和量化的鈣化斑塊,73 - 75以及相關鈣分數死亡率。41標準的血液測試結果也常常包含在機器學習模型對風險分層。76年
雖然有前途,這些機器學習方法不夠成熟,取代傳統的Framingham分數,77年並進一步研究和探索的領域是必需的。現有的機器學習方法通常依賴於普遍的冠心病危險預測不良特性可能導致低的再現性。68年此外,現有的機器學習方法,37-41 71 72主要側重於係統性風險因素。這並不認為觀察到的趨勢,在冠狀動脈樹特定地點,例如,分岔,10疾病的風險更高。機器學習更先進的全麵風險預測和幹預推薦係統算法發展的早期階段,之前,據我們所知,沒有一個全麵的機器學習在CAD風險模型合並血液動力學的信息。
總之,有一個巨大的機會來提高CAD風險預測的準確性通過集成附加特定的解剖與傳統風險模型風險。我們希望合並血液動力學的指標,它可以提供更細粒度的信息超出了傳統模型能更好地預測未來預期的血管反應和結果。解剖學的替代標記物的使用CAD將使我們能夠擴展應用CTCA-guided從患病風險預測個體正常人群沒有動脈粥樣硬化,產生新的理解疾病機製及其發展的個體,和開放的未來路徑應用於成像模式沒有或減少輻射。這一前所未有的機會已被先進的成像分析支撐,先進的計算技術和先進的機器學習算法,提供了一個快速、實用的CAD方法在大規模的人口研究風險評估。理解個人對動脈粥樣硬化的機製打開了機會的早期實現靶向治療和可能是一個CAD的關鍵在應對日益增長的負擔,尤其是在個人沒有藍精靈。
倫理語句
病人同意出版
引用
腳注
貢獻者DA導致了研究設計,起草手稿和修改它至關重要的知識內容。RG,深圳和DM導致修改手稿。LJ,因此導致了最終批準出版的版本。某人監督過程和輔助的手稿和修訂草案。所有作者的研究設計和概念,修改手稿至關重要的知識內容和最終批準出版的版本。
資金DA由澳大利亞政府支持研究培訓項目獎學金。獎/格蘭特不適用。這項研究支持NHMRC想法格蘭特(2012474)和新南威爾士州心血管研究能力項目中後期到職業(EMC)研究員格蘭特(EMC78)。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾沒有參與設計,或行為,或報告,或傳播本研究計劃。
出處和同行評議不是委托;外部同行評議。