Radiology：冠状动脉CTA血流储备分数评价新方法！
2018-05-15 shaosai MedSci原创
本研究旨在比较基于计算流体动力学来源的冠状动脉CTA血流储备分数（FFR）（FFRCFD）和基于机器学习算法的冠状动脉CTA得到的FFR（FFRML）两种技术方法的价值，并将结果发表在Radiology上。
本研究旨在比较基于计算流体动力学来源的冠状动脉CTA血流储备分数（FFR）（FFRCFD）和基于机器学习算法的冠状动脉CTA得到的FFR（FFRML）两种技术方法的价值，并将结果发表在Radiology上。
本研究共纳入了85例行冠状动脉CTA及侵入性FFR的患者（平均年龄62岁±11，62%为男性）。利用FFRCFD和FFRML于冠状动脉CTA原始数据中得到FFR值两种技术检出病变特异性缺血的能力与冠状动脉CTA、QCA上主观狭窄评价进行比较，以侵入性FFR作为参考标准。
结果为，在每一次病变和每一位患者，FFRML检出病变特异性缺血的敏感性分别为79%、90%，特异性为94%、95%。同时，FFRCFD 检出病变特异性缺血的敏感性分别为79%、89%，特异性分别为93% 、93% (P = .86、P = .92)。对于每一次病变，FFRML和 FFRCFD检出病变特异性缺血的AUC分别为0.89、0.89，均明显高于冠状动脉来源FFR(AUC， 0.61)和QCA(AUC， 0.69) (all P < .0001)。同时，对于每一位患者，FFRML (AUC， 0.91)、FFRCFD (AUC， 0.91)也由于冠状动脉CTA(AUC， 0.65)和QCA(AUC， 0.68) (all P < .0001)。FFRML 的处理时间要明显短于FFRCFD (40.5 分± 6.3 vs 43.4分± 7.1； P = .042)。
本研究表明，FFRML 算法在检出病变特异性缺血方面和FFRCFD 算法同样好。两种方法检出血流受限性狭窄的准确性要优于冠状动脉CTA和QCA。
原始出处：
Tesche C， De Cecco CN， Baumann S. et al.Coronary CT Angiography-derived Fractional Flow Reserve： Machine Learning Algorithm versus Computational Fluid Dynamics Modeling.Radiology.DOI： 10.1148/radiol.2018171291
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#新方法#
36
#CTA#
44
#冠状动脉CT#
48
好的想法
68
#评价#
36
学习了.学习了
58
这个需要软件支持啊.有点高大上
65
学习一下很不错
65