CT-FFR联合动脉粥样硬化负荷对非阻塞性冠状动脉疾病患者长期预后的预测价值

来自中国的研究团队针对非阻塞性冠状动脉疾病（CAD）患者长期预后预测的临床难题，通过深度学习算法计算血管特异性CT-FFR值，结合冠状动脉CT血管造影（CCTA）定义的动脉粥样硬化负荷（Leiden风险评分和节段累及评分），构建了新型预测模型。研究发现CT-FFR≤0.80是主要不良心血管事件（MACE）的独立预测因子（HR:7.18），联合模型使C-index从0.76提升至0.83（p<0.001），为精准风险分层提供了新工具。

　　

这项突破性研究揭示了计算机断层扫描衍生的血流储备分数（CT-FFR）在非阻塞性冠状动脉疾病中的"预言家"潜力。科研团队对1944名疑似稳定性CAD患者（中位年龄59岁）展开长达6年的追踪，发现当CT-FFR值跌破0.80这个关键阈值时，患者发生主要不良心血管事件（MACE）的风险骤增7倍有余（风险比HR高达7.18，95%置信区间4.25-12.12）。

研究团队精心设计了三重预测模型：基础临床变量模型（模型1）、叠加CCTA动脉粥样硬化负荷指标（模型2）、最终引入CT-FFR的完全体模型（模型3）。就像升级打怪般，模型的预测能力节节攀升——C-index从模型1的0.68跃升至模型3的0.83，集成判别改善指数（IDI）更显示出CT-FFR带来的0.056增量价值（p<0.001）。

这些发现犹如为临床医生装配了"风险探测雷达"，通过结合解剖学（CCTA）和功能学（CT-FFR）双重评估，能精准识别那些看似温和的非阻塞性CAD患者中隐藏的"危险分子"，为制定个性化防治方案提供了科学依据。这项技术突破或将改写当前的风险管理策略，让更多患者获得恰到好处的干预强度。