Identificación de placas coronarias vulnerables con angiografía por TC asistida por inteligencia artificial (VALUE)

La enfermedad de las arterias coronarias (EAC) sigue siendo la principal causa de muerte en todo el mundo. Las placas ateroscleróticas desempeñan un papel fundamental en la mortalidad de los pacientes relacionada con la EAC. Por tanto, la detección, cuantificación y caracterización de las placas coronarias son clínicamente importantes para la prevención e intervenciones tempranas de la EAC.

La angiografía coronaria por TC (CCTA) ha surgido como una herramienta sólida y no invasiva para la evaluación de la EAC. En la práctica clínica, la evaluación de la placa coronaria se realiza mediante un proceso manual que requiere mucho tiempo y depende de la experiencia del médico y de la interpretación visual subjetiva. Con el desarrollo de la inteligencia artificial, se han propuesto muchos métodos automáticos asistidos por computadora para posprocesar las imágenes CCTA. Sin embargo, los algoritmos de evaluación de placa propuestos anteriormente no se desarrollaron basados ​​en la ecografía intravascular (IVUS) o la tomografía de coherencia óptica (OCT), que se consideraban la referencia de oro para la evaluación de la placa. Por lo tanto, nuestro objetivo fue desarrollar un modelo de aprendizaje profundo en un sistema inteligente y automático de todo el proceso en CCTA para detectar, cuantificar y caracterizar placas utilizando IVUS u OCT como estándar de referencia. Luego trabajaremos en la validación en diferentes escenarios clínicos: (i) Validación de la precisión del nuevo modelo de aprendizaje profundo; (ii) Pronóstico del modelo en diferentes poblaciones con CAD.

Las principales preguntas que pretende responder son:

1. si el modelo de IA permite detectar y cuantificar placas coronarias en comparación con la ecografía intravascular o lectores expertos;
2. si el modelo de IA permite identificar placas vulnerables utilizando IVUS u OCT como estándar de referencia.
3. si el modelo de IA permite predecir futuros eventos cardíacos adversos en una gran cohorte de 10.000 pacientes con enfermedad arterial coronaria no obstructiva (estudio 2 de China CT-FFR).