基于冠状动脉CT血管造影的动脉粥样硬化评估和心血管风险预测机器学习模型——来自CREATION注册研究的分析

《Circulation: Cardiovascular Imaging》：Machine Learning Model for Atherosclerosis Evaluation and Cardiovascular Risk Prediction Based on Coronary CT Angiography-Analysis From the CREATION Registry

心血管疾病风险预测工具的研究。基于冠状动脉CTA影像数据，通过XGBoost等机器学习模型构建预测模型，显著优于传统临床因素和钙化评分模型。关键特征包括脂质斑块负担、狭窄程度等，且预测性能稳定。

　　

摘要

背景：

目前基于传统风险因素和冠状动脉钙化评分的ASCVD（动脉粥样硬化性心血管疾病）风险预测工具存在局限性。

方法：

CREATION研究纳入了2016至2019年间在阜外医院接受冠状动脉计算机断层扫描（CCTA）检查的疑似冠状动脉疾病患者。主要结局指标为重大不良心脏事件，包括全因死亡、急性心肌梗死、冠状动脉血运重建或中风。研究使用了六种机器学习生存模型来构建ASCVD预测模型。

结果：

共有8431名参与者纳入研究，其CCTA数据可进行分析，中位随访时间为3.68年，共发生了319例重大不良心脏事件（发生率为3.8%）（平均年龄：54.73±10.21岁，48.2%为男性，50.9%有胸痛症状）。在用48个CCTA参数训练的6种机器学习模型中，XGBoost模型表现最佳，被选用于模型开发。在训练队列（n=5901，占70%）中，XGBoost模型的预测性能显著优于传统风险因素和冠状动脉钙化评分模型（曲线下面积分别为0.903和0.830；P<0.001）。测试队列中的表现也相似（曲线下面积分别为0.899和0.753；P<0.001）。该CCTA模型在性别（女性或男性）、发病年龄（早发或晚发）以及症状（无症状或有症状）的亚组分析中均表现出一致的预测能力。最终CCTA模型将直径狭窄、脂质斑块负荷和体积、总斑块体积、高风险斑块以及血管体积作为最重要的特征。脂质斑块负荷与重大不良心脏事件的关系最为密切（每增加5%的调整后风险比：2.524 [95% CI, 2.157–2.996]；P<0.001）。机器学习CCTA特征的增量价值在1至5年的随访期间始终一致。当仅考虑次要结局指标（死亡、心肌梗死或中风）时，研究结果仍保持不变。

结论：

结合CCTA斑块量化、特征描述和狭窄评估的机器学习模型显著提高了对重大不良心脏事件的预测能力。该模型能够直接显示冠状动脉粥样硬化的情况，并优于临床实践中推荐的传统风险因素和冠状动脉钙化评分模型。

图形摘要

在浏览器中打开