AIPLAQUE-undersøgelsen: En kunstig intelligens-baseret prospektiv undersøgelse til at analysere PLAQUE ved hjælp af CCTA

Akut koronarsyndrom (ACS) er en af ​​de førende årsager til dødsfald i koronararteriesygdom (CAD) på verdensplan. Sårbar plaqueruptur er en primær underliggende årsag til luminal trombose, der er ansvarlig for at fremkalde ACS. Derfor har identificering af højrisikoplakker, før ACS opstår, været et stort forskningsmål og kræver yderligere kliniske perspektiver. Koronar computertomografi angiografi (CCTA) er en omfattende, ikke-invasiv og omkostningseffektiv billeddannelsesvurderingstilgang, som kan give evnen til at identificere karakteristika og morfologi af højrisiko aterosklerotiske plaques forbundet med ACS. Optisk kohærenstomografi (OCT) er en ny, lysbaseret, intravaskulær billedbehandlingsteknik, der giver højopløselige, tværsnitsbilleder af kranspulsårens anatomi. På grund af dens overlegne opløsning er OCT mere nøjagtige til at måle steder med plaquesårbarhed, skelne mellem forskellene i dets sammensætning, informere om den anatomiske sværhedsgrad af epikardiestenoser og giver også input til beregningsmodeller til at vurdere funktionel sværhedsgrad.

Formålet med undersøgelsen er: (1) At konstruere en kunstig intelligensmodel til identifikation af koronar plakkomponenter på CTA-billeder ved brug af OCT som referencestandard. (2) At udføre væskemekanisk simulering, herunder blodkarvæg og plak ved at bruge geometriske og fysiologiske modeller af blodkar og plaques, og at give mere nøjagtige funktionelle parametre (CT-FFR).

Tilmeldingskriterierne vil være (1) Patienter, der præsenterede sig med stabil angina pectoris eller akut koronarsyndrom; (2) patienter, der opfylder indikationerne for koronar CT angiografi, perkutan koronar angiografi og intravaskulær billeddannelse; (3) Blandt disse patienter, patienter, der har mindst én koronararteriestenose på 30 % - 90 % i diameter ≥ 2 mm bekræftet af CCTA.

Data indsamlet vil omfatte CCTA, fuld angiografi og OCT billeder. Kombineret med CTA/ICA/OCT-billeder af flere modaliteter vil denne undersøgelse udvikle en ny billedanalyseteknologi til automatisk at udtrække vaskulær lumen, plaquekarakterisering, væskefaste mekaniske egenskaber og myokardieiskæmitilstande ved hjælp af beregningsmæssig væskedynamik (CFD) simulering og kunstig intelligens dyb læring.