Evaluatie van CTCA bij het beoordelen van plaquepathologie en fysiologie

STUDIE ONTWERP

1. Octrooiaanwerving Zeventig patiënten met typische anginasymptomen die electieve coronaire angiografie hadden die ten minste één complexe (d.w.z. bifurcatielaesie, lange laesie, verkalkte laesie) obstructieve laesie vertoonde (>70% diameterstenose op coronaire angiografie, of een fractionele stroomreserve <0,80) die geschikt wordt geacht voor percutane coronaire interventie (PCI) onder IVUS-begeleiding zal in het onderzoek worden opgenomen. Uitsluitingscriteria zijn: 1) leeftijd >75 jaar, 2) ACS binnen <3 maanden, 2) eGFR <60ml/min/1.73m², 3) eerdere bypassoperatie van de kransslagader, 3) gedecompenseerd hartfalen, of linkerventrikelejectiefractie ≤30%, 4) intraveneuze contrastallergie of onvermogen om een ​​behandeling met aspirine, heparine of thienopyridines te ondergaan, 5) verwachte levensverwachting <1 jaar, 6) voorgeschiedenis van harttransplantatie, 7) patiënt die chirurgische revascularisatie nodig heeft, en 8) uitgebreide coronaire hartziekte (d.w.z. meerdere chronische totale occlusies) of kronkelige coronaire anatomie waardoor beoordeling van de kransslagaders met NIRS-IVUS-beeldvorming niet mogelijk is. De aangeworven patiënten zullen geïnformeerde toestemming geven en CTCA-beeldvorming ondergaan met behulp van een speciale 3e generatie CT dual-source scanner (Siemens Force). De eerste 4 maanden van de studie zullen worden besteed aan het optimaliseren van protocollen voor beeldacquisitie, zodat de verkregen CTCA-gegevens geschikt zijn voor geautomatiseerde segmentatie. Efficiënte beeldvormingsmatrices zullen worden gebruikt om de ruimtelijke resolutie in het vlak te verbeteren en scherpere reconstructiekernels en iteratieve reconstructiealgoritmen zullen worden geïmplementeerd om beeldsegmentatie te verbeteren.

   Twee weken na CTCA-beeldvorming ondergaan de patiënten een geplande PCI. Tijdens PCI zullen alle 3 epicardiale kransslagaders - inclusief de stenotische laesie - en enkele van hun belangrijkste zijtakken (d.w.z. grote diagonalen, stompe marginalen, de posterieure dalende slagader of de linkerventrikeltak van de rechter kransslagader) bestudeerd worden. ) met de gecombineerde NIRS-IVUS-katheter. Na PCI worden de deelnemers ontslagen voor een optimale medische behandeling.

2. Segmentatie van de CTCA-beeldvormingsgegevens en reconstructie van de anatomie van de kransslagader. Beeldvormingsgegevens zullen worden geanonimiseerd en blind voor klinische details worden geanalyseerd door een deskundige operator met behulp van een speciaal werkstation. Anatomische oriëntatiepunten (d.w.z. zijtakken) zullen worden geïdentificeerd in de CTCA- en NIRS-IVUS-beeldvormingsgegevens en zullen worden gebruikt om van belang zijnde segmenten te definiëren.

   Analyse van de CTCA-gegevens zal worden uitgevoerd met behulp van speciale software die geautomatiseerde extractie van de luminale middellijn, semi-automatische detectie van het lumen en de buitenste vatwandgrenzen en kwantificering van de plaquebelasting mogelijk maakt. de samenstelling van de plaquette. Het algoritme voor plaquekarakterisering houdt rekening met vooraf gedefinieerde vaste afkapwaarden van de intensiteit van de Hounsfield-eenheden en een adaptieve aanpak die aanpassing van deze afkapwaarden mogelijk maakt op basis van beeldverzwakking. Momenteel duurt het segmentatieproces gemiddeld 3 uur per patiënt. In dit project streven de onderzoekers ernaar CTCA-beeldacquisitie- en segmentatie-algoritmen te optimaliseren, zodat dit proces geautomatiseerd wordt en de tijd voor CTCA-segmentatie wordt teruggebracht tot <1 uur.

3. Segmentatie van de NIRS-IVUS-beeldvormingsgegevens en reconstructie van de anatomie van de kransslagader De NIRS-IVUS-gegevens die de interessante segmenten weergeven, zullen worden geanalyseerd door een deskundige operator, blind voor de klinische details en CTCA-beeldvormingsgegevens, met een interval van 3 maanden vanaf de analyse van de CTCA-gegevens met behulp van software die detectie van de randen van het lumen en de buitenste vatwand mogelijk maakt, kwantificering van plaquebelasting en annotatie van de verkalkte weefselcomponent in IVUS. De output van de analyse van de NIRS-beeldvormingsgegevens is het chemogram dat een kleurgecodeerde kaart is van de verdeling van de lipidecomponent langs de vaatwand (geel geeft verhoogde waarschijnlijkheid aan en rood lage waarschijnlijkheid van lipideweefsel). Een metriek van de lipidenbelasting is de lipide kernbelastingsindex (LCBI) die wordt berekend als de fractie van de gele pixels die overeenkomt met de lipidencomponent gedeeld door 1000. Bovendien wordt voor elk segment van 2 mm het blokchemogram gegenereerd dat een samenvatting geeft van het chemogram voor dit segment en de waarschijnlijkheid weergeeft van de aanwezigheid van vetweefsel in een blok van 2 mm van de kransslagader. Het blokchemogram is gevalideerd tegen histologie en er is aangetoond dat het nauwkeurige detectie van lipiderijke plaques mogelijk maakt.

   De gesegmenteerde NIRS-IVUS-gegevens zullen worden gebruikt om de coronaire anatomie te reconstrueren met behulp van een gevestigde en goed gevalideerde methodologie. Zijtakken met een diameter >1,5 mm zullen worden gereconstrueerd uit de angiografische gegevens en worden gefuseerd met de geometrie van het hoofdvat die is gereconstrueerd uit de NIRS-IVUS, aangezien is aangetoond dat zijtakken de ESS-distributie beïnvloeden.

4. Simulatie van de bloedstroom Identieke randvoorwaarden zullen worden toegepast op zowel op IVUS gebaseerde als op CTCA gebaseerde modellen. Bloed wordt beschouwd als een laminaire en onsamendrukbare Newtoniaanse vloeistof met een dynamische viscositeit van 0,0035 Pa•s en een dichtheid van 1050 kg/m3. Er zal een stabiel stroomprofiel worden opgelegd aan de instroom van het lumen, aangezien dit de rekentijd verkort en er aanwijzingen zijn dat er geen significant verschil is in de geschatte ESS wanneer een stabiel of een pulserend stroomprofiel wordt gebruikt. Murray's theorie van constante ESS zal worden gebruikt om randvoorwaarden in de hoofd- en zijtakken af ​​te leiden. De arteriële wand wordt als rigide beschouwd en antislipcondities worden toegepast op het luminale oppervlak. De stroomsnelheid zal worden geschat op basis van de angiografische gegevens door het aantal frames te meten dat het contrastmiddel nodig heeft om van de inlaat naar de uitlaat van het gereconstrueerde segment te gaan, het volume van het segment bij baseline en de cineframesnelheid.
5. Analyse van de NIRS-IVUS- en CTCA-beeldvormingsgegevens Verwacht wordt dat NIRS-IVUS-beeldvorming gemiddeld zal worden uitgevoerd in 2,5 vaten per patiënt; van deze 40 willekeurig geselecteerde vaten zullen worden gebruikt om de algoritmen voor CTCA-segmentatie en plaquekarakterisering (trainingsdataset) te trainen en de overige voor validatiedoeleinden (validatiedataset).

In de trainingsset worden de relevante segmenten gereconstrueerd uit de CTCA- en NIRS-IVUS-gegevens verdeeld in segmenten van 2 mm en overeenkomstige segmenten van 2 mm worden geïdentificeerd in de CTCA- en NIRS-IVUS-modellen. Voor elk segment van 2 mm worden de volgende meetwaarden geschat in de NIRS-IVUS-modellen: gemiddeld lumenoppervlak, gemiddeld buitenste vaatwandoppervlak, gemiddeld plaquegebied, gemiddelde plaquelast (gedefinieerd als: 100 x plaquegebied/bloedvatgebied), gemiddeld verkalkt gebied , de LCBI en de overheersende ESS. Bovendien zal elk segment geclassificeerd worden als lipiderijk of niet-lipiderijk volgens het blokchemogram.

Evenzo zullen in de CTCA-modellen het gemiddelde lumengebied, het buitenste vaatwandgebied, het plaquegebied, de plaquebelasting, het verkalkte gebied en het gemiddelde overheersende ESS worden geschat voor elk segment van 2 mm en vergeleken met de schattingen van NIRS-IVUS. Verschillende benaderingen zullen worden getest om de segmentatie van de vaatwandgrenzen te optimaliseren en de beste zal worden toegepast. Segmenten met verhoogde verkalkingsbelasting en bloeiende artefacten zullen worden geïdentificeerd en in het geval van significante verschillen tussen CTCA- en NIRS-IVUS-annotaties, zullen machine learning-technieken, die profiteren van de informatie die door NIRS-IVUS wordt verstrekt, worden geïmplementeerd om CTCA-segmentatie te optimaliseren. De adaptieve grenswaarden van de Hounsfield-eenheid die het beste lipide- en calcificweefsel identificeren, zullen worden gedefinieerd. Uitgespreide bloedvatplots die de verdeling van het lipideweefsel in de CTCA-modellen weergeven, zullen worden gemaakt en hierin zal de LCBICT worden geschat voor elk segment van 2 mm en vergeleken met de output van NIRS. Area under the curve (AUC)-analyse zal worden gebruikt om de beste CT-afgeleide plaquebelasting, LCBI- en ESS-afkapwaarden te identificeren die overeenkomen met de NIRS-IVUS-afkapwaarden die wijzen op plaques met een hoog risico (plaquebelasting: 67%, LCBI: 178 en ESS: 1Pa). Het blokchemogram in NIRS-IVUS zal worden gebruikt om de 2 mm LCBICT-afkapwaarde te identificeren die een nauwkeurige classificatie van de 2 mm-segmenten als lipide of niet-lipidenrijk mogelijk maakt. De nauwkeurigheid van deze grenswaarden wordt getest in de validatiedataset.

Bovendien zullen in de validatiedataset de NIRS-IVUS-gegevens worden gebruikt om coronaire laesies te identificeren - gedefinieerd als segmenten met een plaquebelasting >40% in 3 opeenvolgende frames. Voor elke laesie wordt de remodelleringsindex geschat en gebruikt om ze te classificeren als laesies met een positieve of negatieve remodellering. De NIRS-IVUS-gegevens zullen worden gebruikt om hun fenotype te karakteriseren en ze te classificeren als: pathologische intimale verdikking/fibrotische plaques, fibro-calcificerende plaques, fibroatheromen (FA) en verkalkte fibroatheromen. De NIRS-IVUS-laesieclassificatie zal worden gebruikt als referentiestandaard om de nauwkeurigheid van CTCA bij het karakteriseren van het laesiefenotype te beoordelen.

STATISTISCHE ANALYSE - VERMOGENSBEREKENING Het primaire eindpunt van de studie is het vermogen van CTCA om FA te detecteren. In een studie van Garcia-Garcia met 129 patiënten die IVUS-beeldvorming van één vat ondergingen, werden 1,7 laesies per patiënt geïdentificeerd. In de studie van Puri et al. was 45% van de laesies FA op histologie. In die studie maakte NIRS in combinatie met IVUS detectie van FA mogelijk met een uitstekende nauwkeurigheid (c-index: 0,80). We verwachten dat we NIRS-IVUS-beeldvorming kunnen uitvoeren in 2,5 kransslagaders per patiënt en dat de CTCA-beeldvormingskwaliteit optimaal zal zijn bij 93% van de bestudeerde patiënten. Als we 70 patiënten rekruteren, verwachten we met NIRS-IVUS en CTCA 162 bloedvaten succesvol te kunnen bestuderen, waarvan 120 (203 laesies - 92 FA) zullen worden gebruikt als een validatiedataset. Deze dataset zal naar verwachting een vermogen van 80% geven om aan te tonen met behulp van het significantieniveau van 5%, dat de gevoeligheid van CTCA bij het identificeren van FA niet verschilt van NIRS-IVUS (AUC van CTCA-bereik: 0,89-0,71), uitgaande van een werkelijke gevoeligheid van 0,80 voor NIRS-IVUS.

Secundaire eindpunten van het onderzoek zijn de nauwkeurigheid van CTCA voor het identificeren van: a) lipiderijke segmenten (met behulp van het blokchemogram van NIRS-IVUS als gouden standaard), en b) segmenten die zijn blootgesteld aan een lage ESS (<1 Pa, met behulp van de ESS geschat in de NIRS-IVUS-modellen als referentiestandaard).