(圖片來源ACC大會官網)

北京時間3月5日凌晨，中國人民解放軍總醫院心臟醫學中心陳韻岱教授團隊在美國心臟病學會/世界心臟病(ACC/WCC)2023大會發表臨床研究專場報告，基于人工智能CT-FFR技術指導穩定性冠心病患者治療隨訪的臨床研究報告-TARGET試驗，該結果將同步發表在國際頂級期刊《Circulation》雜志(JCR 1區TOP期刊，影響因子39.9)。

該研究受到國家重點研發計劃和北京市科技新星計劃項目資助，聯合了首都醫科大學附屬北京安貞醫院、浙江大學醫學院附屬第二醫院、山東大學齊魯醫院、新疆醫科大學第一附屬醫院、華中科技大學同濟醫學院附屬同濟醫院等多家國內頂級三級甲等醫院心內科和放射影像科研究團隊。本研究論文通訊作者為陳韻岱教授，解放軍總醫院心血管病醫學部楊俊杰副教授、單冬凱副主任醫師和王璽博士為本文共同第一作者。

研究介紹

TARGET研究是國際上首個旨在評估使用基于機器學習CT-FFR計算現場部署策略對新發穩定胸痛患者治療管理的多中心、隨機、對照臨床研究。該研究使用的是我國自主研發的人工智能CT-FFR計算技術(科亞醫療科技股份有限公司)，共入選來自中國6家醫療中心的1216名患者，入組患者的阻塞性冠心病驗前概率為中至高等水平，且冠脈CT血管造影提示存在30%-90%的臨界狹窄。研究人員將患者隨機分組到CT-FFR診療組(試驗組)或標準診療組(對照組)。主要研究終點是90天內接受后續有創冠脈造影時發現非阻塞性冠脈疾病，或存在阻塞性冠脈疾病但并未接受血運重建的比例。次要終點包括隨訪1年的主要不良心血管事件、生活質量結局、心絞痛癥狀改善和醫療成本。

研究結果發現，與對照組相比，CT-FFR診療組發現非阻塞性冠脈疾病，或存在阻塞性冠脈疾病但未接受血運重建的患者比例顯著減少(28.3% vs. 46.2%, P<0.001)。CT-FFR診療組接受血運重建的患者總體上比對照組更多 (49.7% vs. 42.8%, P=0.02)，但隨訪1年時MACE比例無顯著差異(風險比, 0.88; 95%CI, 0.59 to 1.30)。兩組在隨訪期間生活質量和癥狀改善相似，而CT-FFR診療組的醫療成本有降低的趨勢。研究結論認為，與以心臟負荷檢查為代表的標準診療策略相比，現場部署基于機器學習CT-FFR計算診療策略將顯著減少90天內有創冠脈造影發現非阻塞性冠脈疾病或不需要干預的患者比例。此外，CT-FFR診療策略總體上有節省醫療成本的趨勢，增加了入選人群的血運重建比例，同時CT-FFR策略在改善患者癥狀或者生活質量，以及臨床主要不良心血管事件發生率上，與傳統路徑一致。

CT-FFR組與標準治療組主要終點

研究啟示

TARGET研究結果表明“現場基于機器學習CT-FFR策略是可行的、安全的和有效的”。

在過去的10年中，冠脈CTA的廣泛使用促進了我國冠心病的診療流程。據統計，2017年中國的冠脈CTA血管造影檢查總人次達到了460萬。因此，有創冠脈造影的單純診斷作用正在減弱，但在我國接受有創冠脈造影的患者中，在導管室內沒有發現梗阻性冠脈狹窄的病例仍占多數。導致這個現象的部分原因是由于功能學檢查沒有普遍應用或高級心臟成像技術的可用性不足。TARGET研究進一步強調，有創冠脈造影應該只適用于那些最有可能存在阻塞性冠脈狹窄或能從血運重建中受益的患者，而CT-FFR策略將顯著優化穩定型冠心病人群的管理。

該研究采用的是我國科亞醫療科技股份有限公司自主研發的CT-FFR模擬計算技術-深脈分數，采用深度學習技術進行冠脈生理功能進行評估，采用人工智能技術對冠狀動脈造影圖像進行FFR評估，不同于現有主要依靠傳統的基于流場仿真的方法，是基于計算機視覺領域的最新發展自主研發和優化的深度學習技術，能快速、準確地進行無創血流儲備分數分析，該技術2020年1月獲批中國首個NMPA人工智能醫療器械三類證，目前已成為全球唯一獲得中國NMPA、歐盟CE、美國FDA三重認證的CT-FFR產品。

專家反饋

帕梅拉·道格拉斯，醫學博士(杜克臨床研究所，達勒姆，北卡)，ACC的前任主席，領導了由HeartFlow資助(PLATFORM和PRECISE研究)的試驗，她指出：關于TARGET試驗最突出的是其現場CT-FFR分析的新穎性。

道格拉斯說，現場部署方法確實有可能更便宜，更能更快地回報結果。在臨床實踐中，如果CCTA被用作一線測試，道格拉斯說，那么問題就變成了：“如果你有臨界病變，你下一步應該做什么?”對她來說，“這有點顯而易見，因為CT-FFR只是一個軟件分析，盡管以前的產品非常復雜，但預約負荷試驗并要求患者在晚些時候再回來，并非沒有風險。”

研究人員指出，TARGET研究的現場部署人工智能計算是很重要的。“使用人工智能算法的優點是，它提供了現場部署的可能性，避免了轉移敏感醫療數據的需要，縮短了計算時間，并增加了臨床醫生的參與。”他們解釋說，雖然也可以使用現場計算流體動力學來計算FFR，但這種策略是復雜的，需要大量的資源。機器學習的便利性將有助于CT-FFR在更廣泛的場景中的應用，并補充道，“現場CT-FFR策略是實用的，可能更適合滿足各種臨床環境下的臨床實踐需求。”

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如有侵權行為，請第一時間聯系我們修改或刪除，多謝。