摘要
背景 机器学习基于临床特征可预测冠状动脉CT血管造影（CCTA）结果，帮助优化资源利用。
方法 基于SCOT-HEART试验中1769例患者数据，训练并测试XGBoost机器学习模型（10倍交叉验证，网格搜索超参数选择）。分别构建两个模型：预测CCTA下冠状动脉疾病（CAD）的存在，及预测低衰减斑块（LAP）负担增加。
结果 机器学习预测CCTA中CAD的曲线下面积（AUC）为0.80（95% CI 0.74–0.85），显著优于仅使用10年心血管风险评分的AUC 0.75（95% CI 0.70–0.81，p=0.004）。关键特征包括10年风险评分、年龄、性别、总胆固醇及异常运动负荷试验（ETT）。而预测LAP负担的模型表现与风险评分相当（AUC 0.75 vs 0.72，p=0.08），关键特征为10年风险评分、年龄、BMI及胆固醇水平。
结论 机器学习在预测CCTA中CAD存在时优于传统风险评分，但单独基于临床因素难以提升对高危斑块表型（如LAP）的预测能力。
已知研究背景
- 临床风险评分广泛用于评估CAD可能性，但在不同人群可能高估或低估患病率。
- 机器学习在增强心血管风险预测方面具有潜力，但其识别冠状动脉疾病影像表型的能力尚不确定。
本研究贡献
- 整合常规临床数据的机器学习模型，在预测CCTA中CAD存在时优于10年心血管风险评分。
- 机器学习未能提升对低衰减斑块等高危斑块表型（如定量评估的低衰减斑块）的预测能力。
对研究、实践或政策的影响
- 机器学习可用于优化冠状动脉CT检查候诊名单，优先为需紧急影像检查的患者服务。
引言
冠状动脉CT血管造影（CCTA）已成为评估冠状动脉疾病的成熟技术。现有指南基于临床因素选择需进行CCTA的患者，但预检概率评估在不同人群中可能偏差。机器学习（亦称人工智能）通过整合多参数临床信息提升风险预测，或可改善CCTA检查的选择策略。
在CONFIRM注册研究中，机器学习通过临床和影像数据提高了全因死亡率预测，而ICONIC研究则通过定性和定量斑块特征识别急性冠脉综合征的罪犯病变。临床因素与机器学习的结合可能优化CCTA检查患者的选择。
稳定胸痛患者行CCTA检查时，冠状动脉疾病的存在与否及高危斑块表型均是重要临床发现。识别CAD可启动药物治疗，而高危斑块表型提示需强化干预。SCOT-HEART试验表明，定量斑块评估（如低衰减斑块负担≥4%）可预测心肌梗死风险。本研究旨在开发机器学习模型，基于就诊时的临床信息预测CCTA中CAD及LAP的存在，以优化检查优先级。
方法
研究设计
SCOT-HEART试验（NCT01149590）招募4146例稳定胸痛患者，随机分为标准护理组和标准护理联合CT组。本研究纳入1769例接受CCTA且数据完整的患者作为训练与测试集。
临床变量
临床、影像及斑块数据来自SCOT-HEART数据库。10年心血管风险评分（ASSIGN）基于Framingham风险评分并针对苏格兰人群校准，包含年龄、性别、吸烟史、血压、胆固醇、社会剥夺指数、糖尿病、类风湿关节炎及早发心血管病家族史等信息。模型特征包括人口统计学、心血管危险因素、静息心电图、运动心电图结果及西雅图心绞痛问卷症状。
CT成像与分析
使用64排或320排CT扫描仪进行CCTA，根据15段模型评估冠状动脉疾病是否存在（非阻塞性：<70%狭窄；阻塞性：≥70%狭窄）。定量斑块分析使用专用软件（Autoplaque 2.5），低衰减斑块（<30 HU）占血管体积≥4%定义为高危斑块。
机器学习模型
构建两个XGBoost模型：
- 预测CCTA中CAD存在（非阻塞性或阻塞性）。
- 预测LAP负担增加（≥4%）。
通过网格搜索优化超参数，80%数据训练，20%测试。特征重要性分析评估各变量对模型的贡献，并构建瀑布图解释个体预测。
统计分析
使用R进行统计分析，定量数据以均值±标准差表示，分类数据以中位数（IQR）表示。ROC曲线比较采用DeLong检验，p<0.05为显著性阈值。
结果
研究人群
1769例患者中，56%为男性，平均年龄58±9.5岁，10年心血管风险评分16%（IQR 10%–23%）。训练集（n=1416）与测试集（n=353）基线特征相似。
预测CAD存在
CCTA中64%患者存在CAD（>10%狭窄）。机器学习模型AUC为0.80（95% CI 0.74–0.85），优于10年风险评分的0.75（p=0.004）及ESC预检概率评分（0.73，p<0.001）。关键特征包括10年风险评分、年龄、性别、总胆固醇及异常ETT。
预测LAP负担增加
51%患者LAP负担≥4%。机器学习模型AUC为0.75（95% CI 0.70–0.80），与10年风险评分（0.72，p=0.08）相近，但优于ESC评分（0.69，p=0.005）。关键特征为10年风险评分、年龄、BMI及高密度脂蛋白胆固醇。
讨论
本研究表明，机器学习通过整合临床特征可提升对CAD的预测能力，但对高危斑块表型的预测未显著优于传统风险评分。这一结果提示，稳定胸痛患者的基本人口统计学特征不足以识别高危斑块，需依赖影像学评估。
机器学习在心血管影像中的潜力包括改进图像获取、标注及风险分层。既往研究聚焦于识别阻塞性CAD以指导血运重建，而本研究关注任何CAD的存在（提示需预防性治疗）。模型基于就诊时的临床信息（如症状、心电图）可优化CCTA检查优先级。
定量斑块评估（如LAP负担）可提升风险分层，但本研究中机器学习未能超越传统风险评分。这可能因LAP负担与临床特征关联较弱，需结合影像特征（如放射组学）进一步优化模型。
本研究局限包括：外部验证数据不足、模型未纳入新型生物标志物、样本量较小及CT扫描仪差异可能影响斑块分析。
结论：机器学习可优化CAD的预测以指导CCTA检查优先级，但高危斑块评估仍需依赖影像学技术。
【全文结束】