AI模型排除了阻塞性CAD的存在

小編發(fā)現(xiàn)不少朋友對于AI模型排除了阻塞性CAD的存在這方面的信息都比較感興趣，小編就針對AI模型排除了阻塞性CAD的存在整理了一些相關方面的信息 在這里分享給大家。

根據(jù)《學術放射學》(Academic Radiology)發(fā)表的一項新研究，一旦患者接受冠狀動脈鈣評分(CACS)，機器學習可以幫助醫(yī)師排除阻塞性冠狀動脈疾病(CAD)的存在。這可以幫助限制不必要的影像檢查嗎?

作者解釋說，CACS是一種“低劑量，可靠的技術”，用于估計患者的動脈粥樣硬化冠狀動脈斑塊負擔，并且冠狀動脈鈣(CAC)與多種心血管事件相關。研究人員旨在使用AI來查看將CAC ，主動脈根鈣化(ARC)和胸主動脈鈣化(TAC)估算結合起來是否有助于揭示與CAD相關的數(shù)據(jù)。

該小組基于機器學習的算法是根據(jù)2017年9月至2018年7月接受臨床指示的CACS測試的435名患者的數(shù)據(jù)構建的。該隊列中有77%是女性，平均年齡為61歲，并且所有患者都有“中低的CAD可能性。” 然后，對2018年9月至2018年10月接受CACS測試的126位連續(xù)患者的數(shù)據(jù)進行了梯度增強機(GBM)模型的測試。

總體而言，在評估126名患者的隊列時，AI模型的結果包括73個真陰性，0個假陰性，20個真陽性和33個假陽性。這意味著可以完全避免73次冠狀動脈CT血管造影(CCTA)檢查(與放射線暴露和造影劑引起的腎衰竭的風險相關)。

“提出的方法的應用可以顯著減少轉診至CCTA的患者人數(shù)(減少約70%)，從而限制了患者暴露于此類測試的副作用，并可以降低醫(yī)療服務提供者的診斷成本， ”主要作者，西班牙巴塞羅那龐培法布拉大學的Jordina Torrents-Barrena博士及其同事寫道。

作者的確注意到他們的研究有一定的局限性。例如，這是一項單中心研究，研究人群“相對健康”，對照組中只有16%的患者觀察到阻塞性CAD。