文献速递心血管胸部CT

整合冠状动脉周围脂肪影像组学、CT-FFR与临床影像特征的多模态模型预测高血压合并冠心病患者主要不良心血管事件

Multimodal prediction of major adverse cardiovascular events in hypertensive patients with coronary artery disease: integrating pericoronary fat radiomics, CT-FFR, and clinicoradiological features.
PubMed 文献 · Radiol Med · 2025-03-21

本研究基于237例高血压合并冠心病患者的CCTA数据,按7:3随机分为训练集(165例)与测试集(72例),构建整合PCAT影像组学、CT-FFR及临床影像特征的多模态模型预测2年内MACE。联合模型在训练集与测试集的AUC分别为0.886与0.786,判别效能与Radiomics.Imaging模型相近,但特异度、准确度和精确度显著提高;校准曲线、决策曲线和临床影响曲线均支持其临床应用。

要点

  • 联合模型(影像组学+临床+影像)训练集AUC 0.886、测试集0.786,特异度、准确度、精确度显著优于Radiomics.Imaging模型。
  • 影像模型纳入HRP、LAD FFR、RCA FFR、LCX FAI、LCX DS及DSpatient,训练集AUC 0.784、测试集0.785。
  • PCAT定义为外血管壁径向距离等于冠状动脉直径、CT值−190 HU至−30 HU的脂肪组织,平均CT值为FAI。

核心结论

  • 整合临床影像特征、CT-FFR与PCAT影像组学特征的联合预测模型是预测高血压合并冠心病患者MACE的潜在生物标志物。
  • 联合模型判别能力与Radiomics.Imaging模型相近(训练集0.886 vs 0.872;测试集0.786 vs 0.815),但特异度、准确度和精确度显著提高。
  • 决策曲线与临床影响曲线进一步支持联合预测模型在临床实践中的应用。

研究设计与样本

  • 前瞻性病例对照研究,回顾性纳入2017年1月至2021年4月因疑似冠心病行CCTA的高血压患者,最终纳入237例(MACE组108例、无MACE组129例),按7:3随机分为训练集165例(MACE组76例、无MACE组89例)与测试集72例(MACE组32例、无MACE组40例)。
  • 采用双源CT(SOMATOM Force,Siemens Healthineers)行CCTA,准直192×0.6 mm、螺距3.2、0.25 s/rot、管电压70–100 kVp、层厚0.75 mm,采集时间窗为R-R间期30–80%。
  • 高血压定义为重复诊室收缩压≥140 mmHg和/或舒张压≥90 mmHg;研究终点为复合MACE,包括心源性死亡、心肌梗死、急性心力衰竭住院和血运重建,随访2年。
  • 排除标准包括高血压病程<5年(n=22)、CCTA图像质量差(n=29)、既往心肌梗死和/或血运重建(n=89)、临床资料不完整(n=38)、冠状动脉畸形(n=11)及完全闭塞无法行CT-FFR和FAI分析(n=21)。

关键影像表现/征象

  • 高危斑块定义为同时具备≥2项易损特征:低衰减斑块(平均密度≤30 HU)、正性重构(病变与参考直径比≥1.1)、餐巾环征(周边高衰减环绕中央低衰减区)及点状钙化(平均密度>130 HU且直径<3 mm)。
  • CT-FFR对有斑块血管采用基于病变的方法,于最严重病变远端20 mm处测量;对无斑块或狭窄血管采用基于直径的方法,于直径2 mm血管远端测量。
  • PCAT影像组学共提取1904个特征,包括450个一阶特征、14个形状特征和1512个纹理特征,其中104个来自原始图像、1800个来自滤波处理后图像。
  • 最终影像组学模型纳入10个特征,均与MACE显著相关(p<0.05),除LCX_glcm_Imc2外MACE+与MACE−组间差异均有统计学意义(p<0.05)。

诊断标准与关键数值

  • 联合模型(Radiomics.Clinical.Imaging)训练集AUC 0.886、测试集AUC 0.786;Radiomics.Imaging模型训练集AUC 0.872、测试集AUC 0.815。
  • 联合模型训练集AUC显著高于Clinical.Imaging模型(0.886 vs 0.827,p=0.009)和Radiomics模型(0.886 vs 0.832,p=0.009)。
  • Clinical.Imaging模型训练集AUC较影像模型提高(0.827 vs 0.784,p=0.004),但敏感度较低为0.684。
  • Radiomics.Imaging模型训练集AUC高于Radiomics模型(0.872 vs 0.832,p=0.049),测试集亦高于Radiomics模型(0.815 vs 0.710,p=0.003)。
  • 影像模型训练集AUC 0.784、测试集0.785,临床模型训练集AUC 0.784、测试集0.541;LCXR训练组AUC较高(AUC=0.837),但测试组准确度、敏感度和特异度较低。

临床应用与阅片要点

  • 联合模型在测试集决策曲线分析中于更宽阈值概率范围内具有最高净获益,支持其临床实用性。
  • 联合模型Brier评分为0.016,校准曲线显示预测概率与观察概率拟合良好,Hosmer–Lemeshow检验所有p值均>0.05。
  • CT-FFR对CT-FFR值0.7–0.8的「灰区」病变评估受限,PCAT绝对衰减无法提供体素灰度强度的空间分布和异质性量化。
  • CRISP-CT研究亚组显示CCTA后接受他汀和阿司匹林治疗者FAI失去预后价值,提示FAI识别的风险具有可修饰性。

局限性

  • 原文未报告局限性
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2025 Mar 21;130(6):767–81. doi: 10.1007/s11547-025-01991-3

引言

心血管疾病仍是全球死亡的主要原因,其中冠状动脉疾病(CAD)占75岁以下成人所有主要不良心血管事件(MACE)的>50%。根据2022年中国健康报告,高血压是CAD发生的独立危险因素[1]。值得注意的是,高血压与CAD经常共存,其病理生理相互作用以复杂机制为特征,如加速动脉粥样硬化斑块形成、血管损伤以及动脉僵硬度与冠状动脉灌注之间的相互作用。高血压与CAD共存的患者面临显著升高的大血管事件死亡风险[2–4]。因此,开发准确有效的工具以早期识别个体化MACE风险,并结合及时干预和改进的预后管理策略,对于减轻这一高血压与CAD共存高危人群的负担至关重要。

2019年欧洲心脏病学会(ESC)指南推荐冠状动脉CT血管造影(CCTA)作为评估疑似CAD的一线无创影像学方法[5]。传统上,CCTA依赖于检测阻塞性病变或冠状动脉钙化来指导心血管风险分层并为临床决策提供信息。然而,即使采用最佳药物治疗和全面的临床风险管理,许多患者仍存在残余心血管风险,导致MACE持续发生。此外,CCTA的阳性预测值常因CT空间分辨率的局限性和严重冠状动脉钙化带来的挑战而受损,导致风险分层和医疗干预靶向的不确定性。

近年来,CT衍生血流储备分数(CT-FFR)和血管周围脂肪组织(PCAT)分析均衍生自CCTA图像,在CAD的功能评估和炎症状态检测方面已显示出重要价值。CT-FFR整合了解剖和功能评估,大幅提高了心肌缺血的诊断准确性并为临床决策提供信息[6]。同时,PCAT作为冠状动脉炎症的标志物,已被证明与心血管死亡率和血运重建需求密切相关[7, 8]。此外,研究揭示,使用基于PCAT的影像组学开发的预测模型在预测MACE方面优于传统指标[9]。尽管有这些进展,关于PCAT影像组学在高血压与CAD共存高危患者中的应用,文献中仍存在显著空白。为填补这一空白,本前瞻性病例对照研究将利用基于CCTA的PCAT影像组学分析,结合CT-FFR和临床放射学特征,评估其在预测MACE中的效用。本研究旨在开发并验证一个用于两年随访期间MACE风险的多模态预测模型,有望推进这一高危人群的个性化风险分层和管理。

材料与方法

患者

本研究(伦理编号:2023-04-097-K01)经我院伦理审查委员会批准。由于CCTA图像数据采集是CAD患者常规检查方案的一部分,故豁免知情同意。本研究回顾性纳入2017年1月至2021年4月因疑似CAD接受CCTA扫描的高血压患者。根据国际指南,高血压定义为基于重复诊室收缩压(SBP)值140 mmHg和/或舒张压(DBP)90 mmHg [10]。血压(BP)测量由经过培训的医疗专业人员(包括护士、医师和技术人员)进行。每次测量时,以1–2分钟的间隔进行两至三次血压读数。所有血压评估均遵循标准化方案:患者在测量前取坐位休息至少5分钟。使用经过验证的上臂自动血压监测仪,并严格按照既定指南进行操作,以确保可靠性和可重复性。分析末次CCTA检查后2年内发生MACE的所有患者。研究终点定义为复合MACE,包括心源性死亡、心肌梗死、急性心力衰竭住院和血运重建。排除标准包括高血压病程< 5年的患者(n = 22),以考虑高血压进展对CAD的影响并确保结果的稳定性 [11, 12];CCTA图像质量差无法分析(n = 29);既往心肌梗死和/或血运重建(n = 89);临床数据不完整(n = 38);冠状动脉畸形(n = 11);以及完全冠状动脉闭塞、无法进行CT-FFR和血管周围脂肪衰减指数(FAI)分析(n = 21)。最终,本研究纳入108例和129例伴有和不伴有MACE的患者,后者按年龄、性别、危险因素和用药进行匹配。图1显示患者选择流程图。我们按7:3的比例将237例患者随机分为训练队列(n = 165,MACE组76例,无MACE组89例)和测试队列(n = 72,MACE组32例,无MACE组40例)。

图1 纳入患者的研究流程图 查看原图 ↗

临床特征提取与随访

收集所有患者的人口学资料,包括年龄、性别、身高/体重、收缩压/舒张压、心功能分级(纽约心脏协会,NYHA)、高血压病程(年)、合并症、用药情况以及心脑血管病史。表1显示了实验室数据,包括白细胞计数、C反应蛋白、肌酸激酶MB(CKMB)、肌钙蛋白、血糖浓度、血脂谱和甲状腺功能检测的测量值。一位对CCTA结果不知情的心脏病专家负责审查患者病历、临床表现并判定复合MACE。数据通过参与中心的电子病历和使用结构化随访问卷的标准化电话访谈进行系统收集。每次事件的时间均被详细记录。参与者在出院后接受2年随访。对于未发生MACE且存活的参与者,2年随访于2023年4月行政性结束。与MACE无关的死亡被单独记录,随访在此类事件发生时终止。

表1 训练集与测试集中伴和不伴MACE患者的特征比较 查看原表 ↗

CT图像采集方案

CCTA图像使用双源CT扫描仪(SOMATOM Force,Siemens Healthineers,德国)按照心血管计算机断层扫描学会指南[13]采集。患者在检查前接受呼吸训练。图像采集的CCTA方案如下:准直器192 × 0.6 mm,螺距3.2,0.25 s/转,管电压70–100 kVp,管电流自动调节,层厚0.75 mm,旋转时间280 mAs。采集时间窗控制在R-R间期的30–80%。首先进行钙化积分扫描。然后通过前肘静脉以4.5–5.0 ml/s的流率使用高压注射器注射对比剂(ultravist 370;Bayer,德国;1.5 ml/kg),随后以相同流率注射40 ml生理盐水冲管。采用团注追踪法,感兴趣区置于升主动脉,衰减阈值设为100 Hounsfield单位,用于图像采集。管电流由自动曝光控制系统(CARE Dose,Siemens Healthineers)根据患者体型自动调节,并进行心电图调制。

冠状动脉斑块分析

所有CCTA图像的后期处理分析均在舒张末期进行。两名经验丰富的放射科医师独立评估影像特征,任何分歧均通过共识解决。在离线工作站(Syngo. Via,版本VB20,Siemens Healthineers)上进行轴位和多平面重建以分析CCTA图像。对冠状动脉各节段进行目视检查以确定是否存在斑块,斑块定性为钙化或非钙化。冠状动脉斑块的定量和定性分析遵循冠状动脉疾病报告与数据系统[14]。左前降支(LAD)、右冠状动脉(RCA)和左回旋支(LCX)的冠状动脉直径狭窄(DS)分类为:无明显狭窄(0%)、极轻度狭窄(1–24%)、轻度狭窄(25–49%)和中度狭窄(50–69%)。狭窄70–99%、左主干狭窄> 50%或三支血管阻塞性病变(≥ 70%)均归类为重度狭窄。记录每支主要血管和每位患者(DS患者)的最高级别狭窄病变。斑块负荷评估包括冠状动脉钙化评分以及使用18节段冠状动脉模型计算的斑块累及节段数。冠状动脉钙化(CAC)检测(Agatston法)用于确定钙化斑块的总量。节段累及评分(SIS)通过汇总存在斑块的冠状动脉节段数计算,不考虑严重程度。CAC和SIS均用于确保非钙化斑块也被纳入评估[15]。

高危斑块(HRP)分类为同时具有以下两项或以上易损特征的斑块:(1)低密度斑块:平均密度≤ 30 HU的斑块;(2)正性重构:病变与参考血管直径比≥ 1.1;(3)餐巾环征:中心低密度区周围环绕周边高密度组织的环状密度模式;(4)点状钙化:平均密度> 130 HU且直径< 3 mm的斑块[16]。

CT-FFR分析

我们使用冠状动脉CT-FFR半自动定量软件(版本1.11.1,数坤[北京]网络技术)进行分析。为确保全面评估,对LAD、RCA和LCX的CT-FFR进行了评估。测量方法根据是否存在斑块而有所不同。对于有斑块的血管,采用基于病变的方法,在距最严重病变远端20 mm处测量CT-FFR [17, 18]。对于无斑块或无狭窄的血管,采用基于直径的方法,在直径2 mm血管的远端节段测量CT-FFR [19]。

PCAT分割

PCAT使用uAI Research Portal(版本20230915,上海联影智能医疗科技有限公司)进行定量测量[20]。其定义为位于距血管外壁径向距离等于冠状动脉直径范围内、CT衰减范围为− 190 HU至− 30 HU的脂肪组织[21];该范围内冠状动脉周围脂肪的平均CT值称为脂肪衰减指数(FAI)。采用自动追踪技术测量三支冠状动脉主支周围的脂肪组织,LAD和LCX近端覆盖40 mm长度范围,RCA近端覆盖10–50 mm长度节段[21]。计算LAD、RCA和LCX的FAI;同时记录脂肪体积。

PCAT影像组学特征提取

采用Pyradiomics软件包(版本3.0.1)对CCTA图像进行重采样,体素大小为1 mm × 1 mm × 1 mm,使用线性插值算法标准化体素间距。体素强度值以25亨氏单位的固定箱宽进行离散化,以控制图像噪声。放射组学特征提取使用uAI研究门户完成。每个PCAT共提取1904个放射组学特征,包括450个一阶特征、14个形状特征和1512个纹理特征。其中,104个和1800个特征分别来源于原始图像和滤波处理后的图像。表S1显示了更多放射组学特征信息。

特征选择与模型构建

特征选择过程在训练队列中进行。放射组学特征和临床放射学特征采用不同的特征选择方法。分析前,对放射组学特征采用z-score标准化以消除指标量纲差异。研究采用Spearman秩相关系数、最大相关最小冗余以及最小绝对收缩和选择算子(LASSO)方法筛选最适合预测MACE的特征。基于临床放射学特征,采用单因素和多因素logistic回归分析评估MACE的独立预测因子。若多因素logistic回归分析中未发现独立预测因子(p > 0.05),则基于单因素logistic回归分析采用估计值变化(CIE)法识别预测特征。

采用逻辑回归(LR)、随机森林(RF)和支持向量机(SVM)构建MACE预测模型。首先,我们构建了五个独立模型:临床模型、放射学(影像)模型以及LAD、LCX和RCA PCAT放射组学模型。随后,我们整合LAD、LCX和RCA的放射组学特征以确定最终的MACE放射组学模型。最后,我们整合放射组学特征与临床放射学特征以构建整合模型。线性判别分析(LDA)的目标是最大化类间方差并最小化类内方差。这是通过将高维特征空间投影到低维空间来实现的,从而提高后续预测模型的效能。因此,在确定每个模型的最佳预测特征后,本研究进行LDA分析,随后构建LR、RF和SVM模型。采用受试者工作特征曲线评估模型性能。计算曲线下面积(AUC)、灵敏度、特异度、准确率、精确率和F1分数。采用Delong检验比较预测效能,并使用Benjamini–Hochberg方法校正错误发现率。采用Hosmer–Lemeshow检验评估MACE实际发生率与预测发生率之间的一致性。绘制校准曲线,并使用决策曲线通过测量不同风险阈值下的净获益来验证模型的临床实用性。图2展示了放射组学分析工作流程。

图2 放射组学分析研究流程图 查看原图 ↗

相关性分析

从PCAT提取的影像组学特征分别与MACE、CKMB、DSpatient、HRP、LAD FFR、LCX DS、LCX FAI、RCA FFR和肌钙蛋白进行相关性分析,并绘制热图。双序列相关分析用于计算连续变量与二分类变量之间的相关系数,而Pearson或Spearman相关分析用于连续变量与连续变量之间的分析。选择该方法是由于特征范围和分布的不同。

统计分析

正态分布变量采用Student's t检验,非正态分布连续变量采用Mann–Whitney U检验,定性变量采用卡方检验以分析统计学显著差异。统计分析使用R软件(版本4.1.3)进行,所有检验均为双侧检验,p值< 0.05视为具有统计学显著性。

结果

基线模型的性能

本研究纳入237例患者,其中165例和72例分别分配至训练队列和测试队列。其中,训练队列中确定了76例MACE病例,测试队列中32例。表1显示了所有纳入患者的临床特征、实验室数据和影像学特征。训练队列和测试队列均显示MACE组(MACE+)与无MACE组(MACE-)之间在FT3、肌钙蛋白、受累节段、LAD FFR、LCX FFR和RCA FFR方面存在显著差异。单因素分析显示15个临床影像学特征与MACE显著相关,但多因素分析表明无独立预测因子(p > 0.05)(表S2)。最终,通过CIE控制混杂因素后,临床模型的最终输入特征为CKMB和肌钙蛋白,而影像模型包括HRP、LAD FFR、RCA FFR、LCX FAI、LCX DS和DSpatient。

影像模型表现出优于临床模型的区分能力,训练队列中AUC为0.784,测试队列中为0.785,而临床模型分别为0.784和0.541。由LAD、LCX和RCA建立的影像组学模型表明,训练组中LCXR具有较高的AUC(AUC = 0.837),但测试组的准确度、灵敏度和特异度较低(表2;图3)。

表2 不同参数和模型预测MACE的诊断性能 查看原表 ↗
图3 随机森林在训练(A、C)和测试(B、D)队列中预测MACE的受试者工作特征(ROC)曲线比较 查看原图 ↗

联合模型的性能

放射组学模型包括10个特征,所有这些特征均与MACE显著相关(p < 0.05)(图S1)。除LCX_glcm_Imc2外,这10个特征在MACE+组和MACE−组之间均存在显著差异(p < 0.05)(图S2)。在训练队列中,临床.影像模型的AUC较影像模型有所提高(0.827 vs. 0.784,p = 0.004)。然而,临床.影像模型的灵敏度较差,为0.684。放射组学.影像模型在训练队列(0.872 vs. 0.832,p = 0.049)和测试队列(0.815 vs. 0.710,p = 0.003)中的AUC均高于放射组学模型。联合模型(放射组学.临床.影像)提高了对MACE的判别能力,其特异度、准确度和精确度显著更优,尽管其在训练队列(0.886 vs. 0.872)和测试队列(0.786 vs. 0.815)中的预测效能与放射组学.影像模型相似。与其他模型相比,联合模型在训练队列中的预测效能显著优于临床.影像模型(AUC = 0.886 vs. 0.827,p = 0.009)和放射组学模型(0.886 vs. 0.832,p = 0.009)(表3;图3)。

表3 训练队列和测试队列中各模型的比较 查看原表 ↗

联合预测模型的评估与验证

图2展示了高血压合并CAD患者两年内MACE预测模型的构建过程。预测模型的校准曲线显示,在训练队列和测试队列中,MACE概率的预测值与观察值之间均具有良好的拟合度(图4)。Hosmer–Lemeshow检验证实了这一点,所有p值均 > 0.05。联合模型(放射组学.临床.影像)的Brier评分为0.016(表4)。决策曲线证明了预测模型的临床适用性,通过在测试队列中比较不同阈值概率下的净获益,联合模型在更宽范围内具有最高的净获益(图5)。图S3展示了用于模型开发的放射组学特征与临床放射学特征之间相关性的热图。

图4 联合模型的评估与验证。联合模型在训练队列(A、C)和测试队列(B、D)中预测MACE风险与实际MACE风险之间一致性的校准曲线。X轴代表MACE预测值,Y轴代表实际MACE状态,虚线代表理想预测 查看原图 ↗
表4 模型的Hosmer–Lemeshow检验 查看原表 ↗
图5 联合模型在训练队列(A)和测试队列(B)中的决策曲线。灰色线代表假设所有患者均发生MACE,水平黑色线代表假设没有患者发生MACE 查看原图 ↗

讨论

在本研究中,我们建立了一个多参数模型,用于术前预测高血压合并CAD患者的MACE。该联合模型整合了CT-FFR、临床放射学特征和所选PCAT放射组学特征,在两年随访期内对高血压合并CAD患者MACE的预测中表现出优于其他模型的诊断性能。

高血压是冠心病(CAD)在其各种临床方面(心肌梗死、心绞痛、急性冠脉综合征和慢性冠脉综合征)的主要危险因素之一。高血压与冠心病之间的相互作用加剧了主要不良心血管事件(MACE)的风险;MACE的发生率显著高于任一单独疾病[22]。现有的预测模型主要集中于单一疾病的风险评估,未能捕捉高血压与冠心病之间复杂的相互作用,从而低估了其联合风险[23, 24]。通过聚焦这一高危人群,我们的研究填补了这一空白,开发了一个MACE预测模型,该模型准确反映了复杂的病理生理机制,并为高血压合并冠心病患者的临床实践提供了有意义的见解。

使用传统临床放射学方法预测MACE

本研究建立的传统预测模型在预测MACE方面效率较低,这与既往研究相似。大量临床研究已证实,心肌缺血的严重程度并不总是与冠状动脉解剖狭窄程度相关。这一差异降低了冠状动脉CT血管造影(CCTA)在评估功能性心肌缺血方面的价值。此外,CT-FFR(基于计算流体力学或机器学习方法)对CT-FFR值处于0.7–0.8“灰区”的病变作用有限[6, 25, 26]。冠状动脉周围脂肪组织(PCAT)强调了互补影像生物标志物的潜力。血管炎症触发血管周围空间的永久性改变,如纤维化和新生血管形成[27]。CRISP-CT研究探讨了血管周围脂肪衰减指数(FAI)预测全因死亡和心源性死亡的能力,揭示了其捕捉炎症PCAT内水-脂平衡动态变化的能力。然而,CRISP-CT研究中接受CCTA后他汀类和阿司匹林治疗的亚组显示,FAI失去了其预后价值,暗示FAI所识别的风险具有可修饰性。这凸显了需要额外的生物标志物来检测PCAT组成的永久性变化,且较少受针对血管炎症治疗的影响[21]。因此,缺血性狭窄与PCAT之间的关联可能无法仅通过绝对PCAT衰减来充分表征,后者无法提供体素灰度强度的空间分布并量化异质性。

使用影像组学模型预测MACE

复杂的数学公式对经验丰富的放射科医师和临床医师来说肉眼不可见,却被用于将放射组学方法从定性影像特征转化为定量变量。放射组学在肿瘤学中已得到广泛应用[28, 29],其在心血管影像学中的应用,特别是在捕捉冠状动脉斑块表型的先进特征方面,仍处于新兴阶段[30]。我们基于PCAT的放射组学模型在训练组中达到AUC 0.832,在测试组中达到0.710,显示出适度的预测敏感性。我们将这些放射组学生物标志物与临床放射学数据(包括冠状动脉狭窄、斑块负荷和CT-FFR)相结合,构建综合模型以确定高危MACE患者,从而提高预测准确性。在该联合模型中,放射组学参数在PCAT衰减和临床特征之上提供了增量判别价值,训练集和测试数据集的AUC分别为0.886和0.786,显示出优异的特异性和敏感性。此外,本研究提取的全部10个组学特征均显示与MACE密切相关,表明PCAT放射组学表型与斑块破裂及相关的局部炎症反应之间可能存在关联。我们的模型增强了预测能力,为临床医师提供了综合工具,有助于对MACE高危个体进行早期干预和积极的二级预防策略,并可能改善临床结局。决策曲线和临床影响曲线进一步证实了该模型的实用性,突出了其在指导治疗策略和优化临床环境中资源利用方面的意义。

我们的研究存在若干局限性。由于耗时、易受人为因素影响以及斑块勾画可重复性低,我们未在每病变水平评估PCAT。组织病理学和侵入性影像学研究表明,急性心肌梗死患者存在弥漫性冠状动脉炎症[31];动脉粥样硬化诱导的PCAT改变可能超出斑块长度范围[32]。因此,我们改为在每血管水平研究脂肪组织,这显著提高了研究的可重复性和效率。严重钙化的病变未被排除;它们可能影响CT-FFR的准确性。然而,对这些患者的风险评估不应被忽视,这也是临床高度关注的问题,正是联合模型的价值所在。此外,由于样本量有限,无法进行亚组分析以确定PCAT放射组学模型在“灰区病变”中的增量价值;未来研究将进行亚组分析以填补这一空白。最后且重要的是,需要纳入来自其他中心的更大队列,以在更大、更多样化的人群中对该MACE预测模型进行前瞻性验证。

总之,结合临床放射学特征和PCAT放射组学特征的联合预测模型,对预测高血压合并CAD患者的MACE具有重要的补充价值。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 705 kb)

引用

  1. Zou Q, Qiu T, Liang C, et al. Multimodal prediction of major adverse cardiovascular events in hypertensive patients with coronary artery disease: integrating pericoronary fat radiomics, CT-FFR, and clinicoradiological features. Radiol Med. 2025. PMID: 40117103. doi:10.1007/s11547-025-01991-3
  2. 全文:PMC12185633(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12185633/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。