eCAPRI:联合临床与影像数据预测TAVI术后死亡的新工具
研究基于957例TAVI患者术前CT,用深度学习自动测量胸主动脉钙化体积并提取额外影像生物标志物,构建eCAPRI评分预测1年全因死亡。在192例评估集上eCAPRI的AUC为0.731,显著优于CAPRI(AUC=0.669)和EuroSCORE Logistic(AUC=0.588)(p=0.034),且校准更佳。作者认为eCAPRI可能有助于TAVI患者的标准化风险分层。
要点
- 自动胸主动脉钙化分割平均Dice为0.777±0.108,但低钙化体积者Dice偏低,60/1111例Dice<0.6。
- eCAPRI纳入BSA标化的右心室体积、肺动脉最大直径及L3腹部肌肉面积,联合自动钙化体积与临床变量。
- 评估集eCAPRI的AUC=0.731,优于CAPRI的0.669和EuroSCORE Logistic的0.588(p=0.034),Brier评分最低(0.079)。
核心结论
- eCAPRI联合全自动胸主动脉钙化体积提取与额外影像生物标志物,较CAPRI和EuroSCORE Logistic改善TAVI术后1年死亡预测。
- eCAPRI可能支持TAVI患者的标准化风险分层。
研究设计与样本
- 研究为基于TAVI-Lyon回顾性数据集(957例,2013至2021年,4家医院)的评分开发与评估研究,随机按80/20%分为765例训练集和192例评估集。
- 钙化分割网络在66例CalciumTrain集上训练,在1111例CalciumEval集上评估,参考标准为放射科医师逐层手动标注。
- 术前CT为门控胸腹盆扫描,动脉期或晚动脉期,层厚<1 mm,管电压100 kVp(300例)、120 kVp(650例)或140 kVp(8例)。
- 评估采用AUC、自助法置换检验(104样本)与校准曲线,对照CAPRI(在训练集重新加权)和EuroSCORE Logistic。
关键影像表现/征象
- 自动钙化分割平均Dice为0.777±0.108,范围0.059至0.954,中位数0.796,第5和第95百分位分别为0.584和0.905。
- 预测钙化体积较手动标注轻度高估,散点图线性拟合斜率提示预测值偏厚。
- 常见分割错误包括将上腔静脉或邻近伪影纳入扩张主动脉掩膜,以及将气管钙化误纳入分割。
- Dice<0.5的29例患者平均钙化体积仅0.4 mL,而全数据集为4.2 mL。
诊断标准与关键数值
- eCAPRI评分纳入自动计算的胸主动脉钙化体积、原CAPRI临床变量,以及BSA标化右心室体积、BSA标化肺动脉最大直径和L3腹部肌肉面积。
- 评估集eCAPRI的AUC=0.731,CAPRI的AUC=0.669,EuroSCORE Logistic的AUC=0.588,eCAPRI与CAPRI差异p=0.034。
- Brier评分EuroSCORE Logistic为0.090、CAPRI为0.082、eCAPRI为0.079,eCAPRI校准曲线最接近理想校准。
- 变量筛选采用单变量Cox回归似然比检验p>0.2剔除、相关性>0.85剔除,再以4折交叉验证选择平均AUC最佳的组合。
临床应用与阅片要点
- 阅片时可关注自动分割是否将上腔静脉、邻近硬化伪影或气管钙化误纳入胸主动脉钙化体积。
- 低钙化体积患者自动分割Dice偏低,报告自动钙化定量时需结合原始图像核对。
- eCAPRI评分计算依赖BSA标化右心室体积、肺动脉最大直径与L3腹部肌肉面积,提取失败时需核对分割质量。
局限性
- 网络自动分割在主动脉附近硬化伪影或气管钙化时存在局限,目前尚不能将气管钙化从候选者中排除。
- 预测倾向于轻度高估胸主动脉钙化体积。
- 自动分割方法偶尔失败,表现为L3肌肉面积最小值2.44 cm²及主动脉和肺动脉最大半径出现约十分之一毫米量级的极小值。
- 用于量化肺气肿比例的阈值−950 HU在文献中存在争议,碘对比剂注射可能改变理想阈值,这可能解释肺气肿相关标志物未纳入。
全文中译14 节 · 点击展开
引言
在过去十年中,基于高质量随机对照试验的证据[2–4],经导管主动脉瓣植入术(TAVI)[1]已成为治疗高危和中危患者重度主动脉瓣狭窄的、经过验证的外科主动脉瓣置换术的替代方案,目前正在低危患者中进行研究[4, 5]。然而,尽管当代队列中手术成功率高且并发症发生率低[6],高达25%的高危患者在一年随访时仍出现不良结局[7],这很大程度上归因于其显著的合并症负担。
因此,许多生存研究[8–13]旨在开发TAVI后的结局预测模型,使用各种回归算法(逻辑回归、多层感知机、梯度提升算法),输入变量包括生物学数据(白蛋白、血红蛋白、肌酐、血细胞比容)、风险评分(STS-PROM、EuroSCORE II)、人口学特征(β受体阻滞剂使用、体重指数、年龄)和心血管测量指标(QRS时限、主动脉瓣峰值压差、LVEF、瓣膜面积、每搏输出量)。在这些研究中,Lantelme等[14]开发了CAPRI评分,其中包括从CT提取的胸主动脉钙化(TAC)体积。TAC与心血管[15, 16]和全因死亡[17, 18]风险的显著增加相关。Lantelme等[14]证明,将TAC体积加入其他临床、生物学和人口学危险因素后,显著改善了TAVI后1年心血管和全因死亡率的预测,AUC为0.68。然而,在CT扫描上手动标注TAC是一项耗时的工作,也是CAPRI评分临床应用的主要障碍。
Pickhard等[11, 12]的工作最近进一步凸显了影像生物标志物用于长期结局预测的研究价值。在一组9223例接受非增强CT扫描进行常规结直肠癌筛查的无症状成年患者中,他们将L3肌肉密度、腹主动脉Agatston钙化评分、L1骨小梁密度、肝脏密度、内脏与皮下脂肪比值整合到Framingham风险评分中,预测2年死亡率的AUC达到0.811。
本研究旨在开发一种改进的自动化CAPRI评分系统,用于预测TAVI后1年死亡率,使用深度学习模型进行TAC分割并提取具有临床意义的额外影像生物标志物。
材料与方法
前期工作——CAPRI评分
本研究建立在Lantelme等[14]原始CAPRI评分的基础上。在所提出的评分系统中,变量选择通过单变量Cox回归进行。然后对每个回归计算似然比检验[19],以检验全因死亡风险的显著差异是否可归因于该变量。随后使用Spearman、四分相关或多分相关相关系数(取决于变量的性质)评估变量间的相关性。最后,使用所选变量计算CAPRI评分:其中CAPRIpat为给定患者的CAPRI评分,Xi为第i个感兴趣的变量(详见表1),βi为与之相关的多变量Cox回归系数。
自动化主动脉钙化评分
数据
为了训练和评估钙化分割网络,我们收集了两个回顾性数据集。CalciumTrain 集包含 66 名接受胸-腹-盆腔扫描的患者(视野(FOV):386.34 ± 47.77),包括 43 例平扫和 23 例动脉期增强扫描。钙化使用自适应阈值法进行标注。候选区域通过在主动脉中以 130 HU 进行阈值分割选出,并使用区域生长算法扩展以覆盖整个钙化。随后对候选区域进行人工验证。
CalciumEval 评估集包含 1111 名接受经导管主动脉瓣植入术(TAVI)术前增强 CT 扫描(动脉期)的患者,视野覆盖心脏或全胸部(FOV:232.25 ± 51.98 mm)。钙化由资深放射科医师逐层手动标注(3D-Slicer 版本 4.10.2)。
钙分割网络的实现
我们训练了一个端到端分割网络(TensorFlow 2.10),使用掩码二元交叉熵代价函数,该函数根据候选区域的位置对其进行惩罚,这得益于心脏(左右心房和心室、心肌、主动脉、肺动脉)和脊柱分割 [20, 21],这些分割已应用于 CalciumTrain 和 CalciumEval 数据集。代价函数可写为:其中 MBCE 为掩码二元交叉熵,n 为体素数量,为第 i 个体素的真实标签,SpiEi、VaEi 分别为脊柱和主动脉瓣及二尖瓣的排除掩码,Aoi 为膨胀后的主动脉分割。Aoi 膨胀使用 2/sp 的核大小进行,其中 sp 为以 mm 为单位的间距。脊柱掩码 SpiEi 为反转的椎体分割(1 − seg),使用 1/sp 大小的核进行膨胀。最后,VaEi 由心腔分割的距离图计算得出。因此,网络只需学习钙的视觉特征而无需学习其位置,因为主动脉外的钙通过掩码被排除。因此,使用较小的网络同时保持全图像分辨率是可行的。
与 Gogin 等人 [22] 一样,我们使用 3D U-Net 架构作为网络结构,并采用 Adam 优化器和递减学习率(每个 epoch 后乘以 0.88 因子),初始学习率为 10−3,值从默认均匀分布初始化。出于 GPU 内存优化的原因,训练前根据心血管分割网络提供的分割结果,将 CalciumTrain 数据集的图像和分割裁剪至主动脉周围区域。尽管如此,图像仍保留其全分辨率。
为了突出钙化并限制灰度范围,图像在 [−200, 1000] HU 之间进行窗宽窗位调整,然后在输入网络之前归一化至 [−1, 1]。训练期间,网络以一批由 5 个随机选择的尺寸为 [100, 100, 100] 体素的图像块组成的输入进行训练,并附有相应的真实标签和掩码。训练集的 10% 在训练期间用作测试集。当代价函数达到收敛时选择最终模型。
钙分割评估
在评估过程中,对CalciumEval集的扫描图像执行相同的预处理,并将掩膜与图像一起提供给网络。通过计算每个原始预测与相应真实标签之间的Dice系数,在CalciumEval数据库上评估预测质量。还使用散点图和Bland–Altman图对钙化体积进行了研究。提供了特异性和敏感性。
增强CAPRI评分(eCAPRI)(CAS)评分
数据
TAVI-Lyon回顾性数据集[23]包括2013年至2021年间接受TAVI的957例患者(479例男性,478例女性)。整个组的平均年龄为82.35 ± 7.53岁,范围为33至98岁。在TAVI之前,所有患者均在接受静脉注射碘化对比剂(60–90 mL,注射速率约3–5 mL/s)后,于动脉期或晚动脉期接受门控胸-腹-盆CT扫描。层厚设定为小于1 mm,管电压根据患者体型调整为100(300例患者)、120(650例)或140 kVp(8例)。图像来自4家医院,来自不同扫描仪型号:GE Healthcare的Revolution GSI、Revolution CT、Revolution HD、Revolution EVO、LightSpeed VCT,Siemens Healthineers AG的Somatom Definition Flash、Somatom Definition AS+、Biograph64,以及Koninklijke Philips N.V.的iCT 256、Brilliance 64、Brilliance 40、Ingenuity CT、iQon Spectral CT。TAVI通过不同路径(股动脉、锁骨下动脉、经心尖)进行。随后对所有患者随访长达1年,通过电话或面诊检查。不良事件通过国家死亡登记处France-Décès确认。在957例患者中,81例(9.30%)在研究期间死亡。无人在一年随访结束前退出研究。TAVI-Lyon、CalciumEval和CalciumTrain数据集不共享任何共同患者。
该集按80/20%的比例(分别为765例和192例患者)随机拆分,用于算法的训练和评估,确保发生不良事件的患者比例相当。两组的成像参数、患者特征、合并症和其他参数的统计汇总见表2。关于合并症,高风险特征常见,如肾功能受损(超过50%的患者为III期或更差)、NYHA III/IV级心力衰竭(49%)和心房颤动(31%)。冠状动脉疾病(32%)和外周动脉疾病(13%)等合并症的患病率也相当高。
生物标志物提取
我们旨在纳入文献[11, 12, 24, 25]中描述的具有临床意义的其他影像生物标志物。其中,L1水平的内脏与皮下脂肪比以及密度测量(肝脏、腹壁肌肉、椎骨)被排除,因为其数值会受到对比剂存在的影响。因此,研究了以下生物标志物:舒张期(75%)心脏腔室和心肌的体积已被文献证明与TAVI后死亡率相关[8, 10]。
出于相同原因,主动脉和肺动脉的最大直径。
肺气肿和健康肺组织的体积及其比值,以及慢性阻塞性肺疾病(COPD)对短期和长期全因及心血管生存的负面影响 [26]。
L3水平腹壁带肌肉的表面积,这些是肌少症的标志物,以及患者整体健康状况不良 [25, 27, 28]。
对心腔、大血管、肺、脊柱和L3水平腹壁肌肉进行了分割,所用模型已在其他地方描述 [20, 21, 27],并在图1中展示。随后使用先前描述的方法对TAC进行分割。所有使用的分割模型仅在其各自的训练数据上进行训练,并在用于TAVI-Lyon数据集之前已锁定。
结构体积,如心腔、肺和TAC,直接由分割得出。腹壁带肌肉以同样方式在二维几何中计算。L3椎体通过脊柱分割定位。肺气肿定量通过收集肺内低于−950 HU阈值的体素百分比来计算 [28–30]。最后,大血管直径通过对分割应用拓扑细化算法来计算 [31–33]。
除肺气肿比值外,所有生物标志物均提供两组数据:标准测量值,以及根据Boyd公式 [34] 计算的以体表面积(BSAi)为指标的第二个值。这些生物标志物对所有患者进行了计算,其统计数据报告于表2。
生物标志物的选择与eCAPRI评分的开发
我们的变量选择和评分计算方法遵循Lantelme等人 [14] 开发的方法,使用lifelines 0.27.8和sklearn 1.3.0软件包。在初始单变量回归中,如果生物标志物经似然比检验得出的p值大于0.2,则将其从候选变量中剔除。较高的p值阈值使我们能够考虑可能的混杂交互因素 [35]。
在研究变量相关性时,如果其他生物标志物与某一CAPRI参数或与另一在初始单变量回归中具有更好p值的生物标志物达到高于0.85的相关性,则将其排除。
最后,作为第三步选择,所有选定生物标志物的组合在训练集上使用4折交叉验证(75%训练,25%测试)进行评估。将测试的生物标志物组合添加到原始CAPRI评分变量中,并使用与原始评分相同的方法计算该增强评分。在4折中显示最佳平均AUC的增强评分被定义为eCAPRI评分,相应的添加生物标志物被设定用于后续实验。一旦eCAPRI评分的变量确定,该评分首先在整个训练集上拟合(不进行分折)。保留回归系数β和训练集的均值,以将评分计算应用于评估集。
评估
为评估该评分的性能,将其与原始CAPRI评分(在我们的训练集上重新加权)及EuroSCORE Logistic进行比较。提供了三种评分1年死亡预测的对比ROC曲线,以及各自的AUC和95%置信区间。随后在CAPRI与eCAPRI评分之间进行104次样本置换检验(bootstrap),并给出所得p值及ROC曲线。我们还评估了CAPRI、eCAPRI和EuroSCORE Logistic模型的校准度,以更好地评价其临床适用性。将提供在全训练数据集上拟合的CAPRI和eCAPRI评分的最终系数β,以供进一步评估。
结果
主动脉钙化自动分割
实验所得Dice系数的分布以箱线图形式见图2。钙化体积的散点图和Bland–Altman图汇总于图3,部分掩膜、真实标注和预测的示例图汇集于图4。
Dice系数范围为0.059至0.954,平均值为0.777 ± 0.108。第5和第95百分位数、第一和第三四分位数以及中位数分别为0.584、0.905、0.733、0.849和0.796。
关于离群值,评估集中的1111例患者中有60例Dice评分低于0.6,其中29例低于0.5。Dice系数对于该应用是一项要求严格的指标,因为它对小结构的变化高度敏感。此处呈现的最低Dice结果归因于胸主动脉钙化(TAC)体积极低的扫描(29例Dice低于0.5患者的平均体积为0.4 mL,而整个数据集为4.2 mL)。由于这些TAC体积很低,预测与真实标注之间最轻微的不一致就会严重影响Dice评分。
在常见分割错误中,当上腔静脉 heavily injected 且距离主动脉足够近以致被纳入扩张的主动脉掩膜时,网络倾向于纳入上腔静脉的部分区域或邻近伪影。这一局限性主要影响我们数据集中的增强扫描。气管钙化有时因其靠近主动脉而被纳入分割。最后,图3a显示了GT与预测之间的对应关系。线性拟合的斜率表明,预测的钙化体积相较于真实标注略有高估。这在图4中有所体现,其中预测结果看起来比其GT对应部分更厚。
eCAPRI评分
生物标志物选择
关于生物标志物的提取,其统计结果见表2。在训练集和评估集上测得的生物标志物值之间几乎观察不到变异性。自动分割方法偶尔会失败,表现为少数CT扫描中L3水平肌肉表面积的最小值(2.44 cm²),或主动脉和肺动脉最大半径的最大值(较小值约为十分之一毫米量级)。
所研究的不同生物标志物的单变量Cox回归和ROC曲线结果详见表3。肺部生物标志物似乎与一年内全因死亡风险基本不相关。选定的生物标志物为右心房(RA)和右心室(RV)体积、主动脉和肺动脉最大半径、L3水平腹壁肌肉表面积,以及它们所有经体表面积(BSA)标化的等效值,还有经BSA标化的左心室(LV)体积。
图5中汇总的相关系数显示,如预期所示,所选定的经标化和未经标化的生物标志物之间存在显著相关性。在大多数情况下,经BSA标化的指标在单变量Cox回归中优于其未经标化的对应指标(RA、RV、LV体积和PA最大半径)并被选中。然而,某些生物标志物在未经BSA标化时显示更好的p值(Ao最大半径、L3水平肌肉表面积),这导致上述经标化指标被淘汰。还注意到PAPs与PAPs可获得性评分之间存在强相关性,这是有意设计的,因为不可获得的PAP(可获得性=0)被设为0。保留这两个变量,以遵循原始CAPRI评分方法学。
最后,在评分的4折验证过程中测试了所有生物标志物组合。最优化的组合使用了以下生物标志物:经BSA标化的RV体积、经BSA标化的PA最大直径,以及L3水平腹壁肌肉表面积。因此,在随后的验证研究中,eCAPRI评分使用原始CAPRI评分变量和这些生物标志物进行计算。尽管选择是数据驱动的,但值得注意的是,这三种生物标志物在临床上还分别被认定为右心功能障碍、肺动脉高压和衰弱的标志物,这进一步支持了它们的纳入(详见讨论部分)。
eCAPRI评分评估
在整个训练数据集上拟合的CAPRI和eCAPRI评分的最终系数见表4。EuroSCORE、CAPRI和eCAPRI评分在评估数据集上对1年全因死亡率预测的结果如图6所示。CAPRI和eCAPRI评分的AUC显著高于临床上传统用于评估手术风险的EuroSCORE(AUC = 0.588)[36, 37]。此外,CAPRI和eCAPRI评分之间也可观察到显著差异(p < 0.04),两者的AUC分别达到0.669和0.731。
EuroSCORE Logistic、CAPRI 和 eCAPRI 评分的校准图和 Brier 评分见图 6b。eCAPRI 评分显示出良好的校准,三种模型中 Brier 评分最低(EuroSCORE Logistic 为 0.090,CAPRI 为 0.082,eCAPRI 为 0.079),且校准曲线最接近完美校准。CAPRI 和 EuroSCORE 的校准图均偏离理想校准,其中 EuroSCORE 在较高十分位数中明显低估风险。
讨论
在本研究中,我们成功开发了 Lantelme 等 [14] 为 TAVI 后 1 年生存预测所建立的 CAPRI 评分的更新版本,提供了更快的计算和更好的预测能力。
为简化评分计算,我们实现了一种高效的 TAC 分割方法,可排除感兴趣区域之外的候选者。这使我们能够在一个包含 1111 例增强胸部扫描的大型数据集上,使用仅 66 例患者的有限训练数据集,获得令人信服的结果。尽管如此,该网络的自动分割在面临主动脉附近硬化伪影或气管钙化时仍显示出一些局限性,我们目前尚无法将这些候选者排除。此外,预测往往略微高估 TAC 体积。随后我们证明,钙化的自动分割可用于计算 CAPRI 评分,其结果与原始发表 [14] 相似(AUC 分别为 0.669 和 0.680)。
随后我们试图利用直接从 CT 图像中提取的额外生物标志物进一步改进 CAPRI 评分。选择保留 CAPRI 评分方法学使我们能够通过将其与原始评分比较,确定生物标志物对生存预测的贡献。生物标志物选择分三步进行:使用单变量分析并以似然比检验所得 p 值的阈值进行筛选,选择相关生物标志物。
使用相关系数评估并排除冗余生物标志物。
在训练集上使用 4 折交叉验证优化最佳生物标志物组合。
在评估的候选生物标志物中,经体表面积(BSA)标化的右心室(RV)容积、肺动脉(PA)最大直径和L3层面肌肉表面积最终被保留在eCAPRI评分中。选择这三个变量不仅仅基于单变量Cox回归的p值,而是因为纳入这些变量后在4折交叉验证过程中AUC改善最大。其他具有临界显著性(p < 0.2)的变量,如经BSA标化的左心室容积或肺气肿比率,在纳入时未能一致地改善模型性能,或与已选择的参数存在多重共线性。需要注意的是,用于量化肺气肿比率的阈值(−950 HU)在文献中存在争议[38],因为碘对比剂注射可能改变理想阈值。这可能解释了肺气肿比率未被选入生物标志物的原因。尽管如此,生物标志物的选择也得到了临床依据和文献的支持:RV容积反映右侧心脏重构,常与TAVI术后死亡率相关,尤其是在肺动脉高压或右心衰竭患者中。Schmid等[39]证明了右心室容积与TAVI术后一年全因死亡率之间的关联,我们的结果似乎证实了这一点。他们还指出左心室功能参数对生存的影响较小,这也与我们的研究一致。
PA最大直径是肺血管阻力的间接标志物,与瓣膜性心脏病的不良结局相关。它似乎也证实了右循环参数对TAVI生存的重要性[40],并且在本研究中与右心室容积相比与更高的死亡风险相关(HR = 1.427 vs HR = 1.010)。
L3肌肉表面积是肌少症和衰弱的替代指标,二者均为老年TAVI人群不良结局的强预测因子[25, 27, 28]。
与其他标志物(如肝脏密度、内脏脂肪比率)相比,这些生物标志物对成像方案变化和对比剂时序的敏感性也较低,确保了跨中心更大的稳健性。
我们在本研究中开发的eCAPRI评分显示出优于原始评分(AUC = 0.669)和临床实践中经典使用的EuroSCORE(AUC = 0.588)的预测能力(AUC = 0.731)。虽然未在同一数据集上评估,但与其他论文相比也显示出令人信服的结果,如Agasthi等[8](AUC = 0.72)、Penso等[10](5年结局预测AUC = 0.79)。校准图和Brier评分也表明eCAPRI评分具有更好的整体校准度和预测准确性。
从临床角度来看,eCAPRI评分有潜力无缝整合到现有的TAVI工作流程中。由于所有TAVI候选患者已经接受术前增强CT成像,评分所需的输入——包括TAC体积和额外影像生物标志物——在常规诊疗中已经可获得。随着分割和生物标志物提取的自动化,eCAPRI可作为放射工作站或医院PACS系统中的背景工具实施,为临床医生提供标准化的风险估计而不增加额外工作量。这可以支持多学科医疗团队选择可能从TAVI中获益的患者与手术可能无效的患者。
然而,我们的研究有一些局限性。虽然eCAPRI评分在包含广泛TAVI患者谱系的队列中开发和验证,从具有多样合并症特征的中危到高危个体,但我们的数据集完全来自欧洲,可能不能完全代表更多样化人群中看到的解剖或临床变异。特别是,影像生物标志物如胸主动脉钙化、L3水平肌肉质量和BSA指数化心脏维度对风险评估的贡献可能因体成分和心血管风险特征的差异而在不同种族间有所改变。因此,eCAPRI评分对非欧洲人群的普适性仍有待确立。为解决这一问题,我们目前正在讨论多项国际合作,以在来自瑞士和美国的外部数据上进一步验证我们的方法。我们还将在明年从当地中心获得额外的验证数据。这些努力对于评估eCAPRI的稳健性和可移植性至关重要。eCAPRI评分还应在包含低危患者的数据集上进行验证。此外,由于TAVI-Lyon数据集覆盖2013年至2021年的大时间跨度,未来工作应检查不断演变的器械和技术在研究期间可能如何影响TAVI结局。最后,文献中已提出除CAPRI之外的众多TAVI生存评分系统。我们旨在使用共同数据集将我们的方法与其他评分方法进行比较,并探索替代预测因子的潜在贡献,包括基于深度学习的方法。
结论
eCAPRI评分将全自动提取的影像生物标志物与已建立的临床预测因子相结合,以评估TAVI后一年死亡风险。通过消除手动TAC体积标注的需要并纳入额外的影像衍生特征如RV体积、PA直径和L3肌肉面积,eCAPRI实现了标准化、可重复且省时的风险分层过程。重要的是,这种方法为临床医生提供了一种工具,可通过识别不良结局风险较高的患者来支持个性化决策,从而帮助避免无效手术并改善患者选择。尽管如此,仍需进一步研究以确认其在更广泛人群中的表现并与文献中开发的其他评分进行比较[8–10, 13],我们提出的方法代表了将先进影像分析整合到常规TAVI前评估中的有意义一步。
引用
- Lartaud PJ, Harbaoui B, Della Corte A, et al. eCAPRI: a novel tool combining clinical and imaging data for post-TAVI mortality prediction. Eur Radiol. 2025. PMID: 41420708. doi:10.1007/s00330-025-12184-x
- 全文:PMC13086681(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13086681/
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。