摘要
目的： 基于CT血流储备分数(CT derived fractional flow reserve,CT-FFR)探讨冠状动脉(冠脉)功能性缺血的预测因素及其预测价值，并对“灰区”CT-FFR值患者的预后进行分析，旨在为临床预测和诊断冠脉缺血病变及患者预后情况提供理论依据。 方法： 回顾性筛选2022年8月-2023年2月于我院行冠脉CT血管造影(coronary CT angiography,CCTA)且结果提示至少1支冠脉(左前降支、左回旋支、右冠状动脉)存在狭窄的709例患者。最终纳入患者443例(冠脉690支)，收集患者临床及影像资料。利用人工智能(artificial intelligence,AI)软件计算冠脉CT-FFR、狭窄程度、冠脉周围脂肪组织衰减指数(fat attenuation index,FAI)及冠脉钙化积分(coronary artery calcium score,CACS)，依据CT-FFR值分别将患者及冠脉分为两组:无功能性缺血组及功能性缺血组，分别从两个水平比较两组差异。利用Logistic回归筛选出冠脉功能性缺血的预测因素，联合预测因素构建预测模型，通过受试者工作特征(receiver operator characteristic,ROC)曲线评价各因素及模型的预测价值。对其中147例“灰区”CT-FFR值患者进行随访，据主要心血管不良事件(major adverse cardiovascular events,MACE)发生与否分为无MACE组和MACE组。应用COX回归分析筛选预测因素并构建2个预测模型，采用ROC曲线下面积(area under the curve，AUC)评估各模型对MACE的预测效能。 结果： 1.无功能性缺血组与功能性缺血组临床及影像资料比较:从患者水平分析,两组年龄及血红蛋白的差异具有统计学意义(P＜0.05)。从冠脉水平分析，两组在狭窄程度、病变冠脉类型、CACS等级及FAI值上存在统计学差异(P＜0.05)。 2.Logistic回归及模型效能:狭窄程度、病变冠脉类型、CACS等级及FAI是功能性缺血的独立预测因素，4者联合构建的模型的AUC是0.769,95％置信区间(confidence interval,CI)为0.734～0.804,且该模型预测能力优于单独任一指标，差异有统计学意义(P＜0.05)。 3.无MACE组与MACE组临床及影像资料比较:MACE组患者的左心室射血分数(left ventricular ejection fraction,LVEF)、总胆红素、白蛋白、载脂蛋白A1、高密度脂蛋白胆固醇(high-density lipoprotein cholesterol，HDLC)水平低于无MACE组，而肌酸激酶同工酶、超敏C反应蛋白、血同型半胱氨酸(homocysteine,Hcy)水平均高于MACE组(P＜0.05)。两组的狭窄程度、CACS等级、FAI也有统计学差异(P＜0.05)。 4.COX回归及预测效能:LVEF、HDLC、血Hcy及FAI是“灰区”CT-FFR值患者MACE的独立预测因素。模型2(AUC=0.828,95％CI:0.754～0.902)预测“灰区”CT-FFR值患者MACE的效能优于模型1(AUC=0.762，95％CI:0.682～0.842),差异有统计学意义(P＜0.05)。 结论： 狭窄程度、病变冠脉类型、CACS等级及FAI的联合模型能够预测冠脉功能性缺血。而联合FAI、LVEF、HDLC及血Hcy能高效地预测“灰区”CT-FFR值患者的预后，为临床及时干预及改善患者预后提供理论参考。
NETL