L'examen automatisé de l'IA de l'imagerie coronarienne identifie les plaques dangereuses plus efficacement que l'évaluation manuelle, aidant à identifier les patients qui ont besoin d'une surveillance plus étroite après une crise cardiaque.
Identification basée sur l'intelligence artificielle des fibroatheromes et résultats cliniques de l'intelligence mince: l'étude Pectus-AI
Dans une étude récente publiée dans le European Heart Journalun groupe de chercheurs a comparé l'identification basée sur l'intelligence artificielle (AI) de la fibroherame mince (TCFA) sur la tomographie par cohérence optique (OCT) avec une revue de base de laboratoire (CL) et liée à la fois aux résultats du patient de deux ans dans le cohorte pré-planifié PECTUS-AI secondaire du cohorte Pectus-OBS potentiel.
Sommaire
Arrière-plan
Chaque minute, quelqu'un survit une crise cardiaque et se demande si la suivante se cache; Qui est vraiment en sécurité lorsque les artères ont l'air ouvertes mais que les plaques sont instables? De nombreux événements découlent des TCFA, des plaques riches en lipides avec des capuchons fibreux fragiles qui se rompent sous des surtensions de pression sanguine. L'OCT offre une vue à l'échelle des micromètres de l'épaisseur du capuchon; Cependant, la lecture à cadre par trame est lente, incohérente et rarement effectuée sur un navire entier. L'IA promet une interprétation standardisée qui évolue vers des retraits complets et réduit la variabilité des lecteurs. Des recherches supplémentaires sont nécessaires pour confirmer si la détection automatisée a un impact significatif sur le pronostic et la prise de décision.
À propos de l'étude
Cette analyse secondaire pré-planifiée a utilisé une cohorte d'observation prospective de patients atteints d'infarctus du myocarde (IM). Les opérateurs ont imaginé toutes les lésions intermédiaires et non culprits avec une sténose visuellement estimée de 30 à 90% et une réserve d'écoulement fractionnaire (FFR) supérieure à 0,80 en utilisant OCT. Un CL a défini le TCFA comme une plaque lipidique avec un arc lipidique ≥ 90 degrés et une épaisseur de capuche fibreuse minimale <65 micromètres au niveau du cadre. Un système d'IA, OCT-AID (un outil de segmentation d'IA basé sur l'OCT), des retraits segmentés à l'aide d'un modèle NNU-Net version 2 auto-configurant et d'épaisseur de capuchon quantifiée et de contenu lipidique. Pour limiter les faux positifs, la TCFA identifiée par l'AI exigeait que les critères soient remplis dans au moins trois des dix cadres consécutifs.
Un outil d'apprentissage en profondeur a détecté des artefacts d'atténuation sévères; Les trames ont été exclues si plus de 25% des lignes A étaient affectées et que des lésions ou des retraits avec moins de la moitié des cadres analysables ont été supprimés. Le résultat principal était un composite de décès au niveau du patient de deux ans, un IM non mortel ou une revascularisation non planifiée, à l'exclusion des événements procéduraux et liés au stent et des infarctus du myocarde non clairement attribuables à un segment spécifique; Un comité a jugé des événements. Les analyses de temps à événement ont utilisé la méthode de Kaplan-Meier et le test log-rank, les modèles COX estimant le rapport de risque (HR) et l'intervalle de confiance à 95% (CI). La discrimination a été évaluée à l'aide de la statistique de concordance (statistique C) et du test DeLong.
Résultats de l'étude
Parmi 414 patients (âge moyen, 63 ans), l'hypertension et le diabète étaient présents dans 52,9% et 14,5%, respectivement, et la présentation a été divisée entre l'infarctus du myocarde de ST-Elevation (STEMI, 51,4%) et l'infarctus du myocarde non d'élévation (NSTEMI, 48,6%). À travers 488 lésions cibles, l'artère descendante antérieure gauche (LAD) et CX prédominaient; Le FFR moyen était de 0,89 ± 0,05. La détection d'artefacts a exclu une médiane de 0% des images par lésion; Six patients avec plus de 50% de cadres non analysables ont été retirés. L'accord entre le TCFA et le Cl-TCFA identifiés par l'AI était équitable à modéré (κ ≈ 0,38 au niveau des lésions; κ ≈ 0,40 au niveau du patient); Au moins un AI-TCFA dans les lésions cibles s'est produit chez 143 des 414 patients (34,5%) contre 124 (30,0%) par le laboratoire de base.
Au sein des lésions cibles, l'AI-TCFA a identifié un risque de deux ans plus élevé qu'aucun AI-TCFA (11,9 vs 6,3%), pour une HR de 1,99 (IC à 95%: 1,02 à 3,90; p = 0,04). Le CL-TCFA a montré une association non significative (11,3% vs 6,9%; HR: 1,67, IC à 95%: 0,84-3,30; p = 0,14). La discrimination pour le résultat composite était similaire lorsqu'elle était limitée aux lésions cibles (statistique C 0,58 pour AI vs 0,56 pour le CL; P = 0,65). Au niveau complet du segment, la discrimination en IA a dépassé l'évaluation de la lueur cible CL (0,66 vs 0,56; p = 0,03) et était numériquement plus élevé que l'analyse des lèvres cibles AI (0,66 vs 0,58; p = 0,08).
L'analyse du segment entier a renforcé l'utilité pronostique. Chez 411 patients présentant des retraits analysables, l'AI-TCFA était présent n'importe où dans le navire imagé en 243 (59,1%) et était associé à un risque plus élevé de résultat primaire (12,3% vs 2,4%; HR: 5,50, IC à 95%: 1,94 à 15,62; P <0,001). Les décès étaient plus fréquents avec AI-TCFA (5,3 vs 0,6%; p = 0,009) et revascularisations non planifiées (7,4 vs 1,8%; p = 0,01); L'IM non mortel était numériquement plus élevé (2,5 vs 0,6%; p = 0,14). L'absence d'Ai-TCFA à travers le segment avait une valeur prédictive négative (VAN) de 97,6% (IC à 95%: 94,0-99,3) pour exclure les événements futurs. Une revue complète de l'IA a capturé la vulnérabilité de la plaque plus efficacement que la lecture humaine axée sur les lésions, identifiant les patients pour un contrôle et une surveillance des risques plus stricts.
Conclusions
L'IA a appliqué à la détection de TCFA standardisée OCT et a identifié les patients à risque accru après l'IM. Par rapport à l'évaluation CL des lésions visuellement sélectionnées, l'évaluation du segment imagé complet a produit une discrimination pronostique plus forte et une VAN élevée qui peut rassurer les patients à faible risque tout en concentrant l'attention sur les personnes à risque plus élevé. Étant donné que la lecture manuelle à trame par trame est longue et variable, une analyse automatisée pourrait aider à traduire l'imagerie à haute résolution en décisions pratiques concernant la prévention secondaire, la surveillance et la thérapie focale. Des analyses ont été effectuées hors ligne dans un seul ensemble de données d'observation, et une validation prospective sur site est toujours nécessaire avant l'adoption de routine.
