换一批基于人工智能平台的CT冠状动脉血流储备分数联合机器学习算法诊断MACE
Diagnostic Accuracy of AI-based CT-derived Fractional Flow Reserve Combined with Machine Learning Algorithms for Predicting Major Adverse Cardiac Events(MACE)
摘要目的 探讨冠状动脉CT血管造影(CCTA)后处理平台(数坤)所测的无创血流储备分数(CT-FFR)与冠周脂肪及斑块定量数据联合机器学习算法诊断稳定型心绞痛(SAP)患者发生MACE的可行性.方法 选取三亚中心医院226名诊断为SAP患者的临床及影像数据,根据诊疗过程中患者是否出现MACE将样本划分为未出现MACE的正常组(n=165),出现MACE的异常组(n=61)采用数坤平台测量病变段CT-FFR与斑块及冠周脂肪、冠状动脉管腔的定量数据,通过ROC曲线评估CT-FFR与冠周脂肪及斑块定量数据联合机器学习算法对患者发生MACE的诊断效能.结果 通过机器学习模型分析,包括XGBoost、SVM、随机森林和Logistic回归模型,这些模型诊断MACE的准确率均超过0.9.其中,XGBoost模型表现最佳,表明其在诊断MACE具有高度的有效性.结论 基于人工智能平台的CT-FFR联合机器学习算法XG Boost模型是诊断MACE的新方法,对于SAP患者出现MACE具有更好的诊断价值.
更多相关知识
关键词
心血管不良事件(MACE)CT-FFR稳定型心绞痛机器学习Major Adverse Cardiovascular Events(MACE)CT-FFRStable Angina PectorisMachine Learning
栏目名称
DOI
10.3969/j.issn.1672-5131.2026.02.023
发布时间
2026-02-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
海南省自然科学基金资助项目（822RC873）
- 浏览7
- 被引0
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
