冠状动脉风险分层精准化研究新进展：优化评估策略与临床转化

来自国际团队的研究人员针对冠心病风险分层精准度不足的问题，开展了冠状动脉CT血管造影（CCTA）结合机器学习算法的多中心研究。该研究通过量化斑块特征和血流储备分数（FFRCT），建立了新型风险预测模型（OR 2.34, 95%CI 1.67-3.28），显著提升了主要不良心血管事件（MACE）的预测效能（AUC 0.82→0.91），为个体化治疗决策提供了影像组学新依据。

　　

在心血管医学领域，冠状动脉风险分层始终是临床决策的"罗盘"。最新研究通过计算机断层扫描血管造影（Computed Tomography Angiography, CTA）这把"分子放大镜"，揭示了传统风险评估工具的局限性。科学家们采用深度学习算法这个"智能筛子"，从海量影像数据中筛选出斑块负荷、低衰减斑块占比（LAP_volume）和正性重构指数（RI>1.1）等关键特征，构建出动态风险评估矩阵。

特别值得注意的是，研究团队创新性地将血流动力学参数FFR_CT（Fractional Flow Reserve derived from CT）与斑块形态学特征"联姻"，就像为心脏血管安装了"智能预警系统"。当FFR_CT≤0.8合并斑块坏死核心体积>30mm³时，患者发生心肌梗死的风险骤增4.7倍。这种"结构-功能"双重评估模式，犹如为临床医生配备了"风险预测双筒望远镜"。

实验采用前瞻性队列设计这个"科学计时器"，对纳入的1,528例患者进行长达5年的追踪。结果发现，新型风险评估模型使MACE预测的"命中率"提升39%，特别是对非梗阻性病变（狭窄30-50%）患者的风险识别灵敏度提高2.1倍。这为现行指南中"灰区"患者的精准管理提供了"导航灯塔"。