AIPLAQUE-studien: En kunstig intelligens-basert prospektiv studie for å analysere PLAQUE ved hjelp av CCTA

Akutt koronarsyndrom (ACS) er en av de viktigste årsakene til dødsfall i koronararteriesykdom (CAD) over hele verden. Sårbar plakkruptur er en primær underliggende årsak til luminal trombose som er ansvarlig for å provosere ACS. Derfor har identifisering av høyrisikoplakk før ACS oppstår vært et stort forskningsmål og krever ytterligere kliniske perspektiver. Koronar computertomografi angiografi (CCTA) er en omfattende, ikke-invasiv og kostnadseffektiv bildevurderingsmetode, som kan gi muligheten til å identifisere egenskapene og morfologien til høyrisiko aterosklerotiske plakk assosiert med ACS. Optisk koherenstomografi (OCT) er en ny, lysbasert, intravaskulær avbildningsteknikk som gir høyoppløselige tverrsnittsbilder av koronararteriens anatomi. På grunn av sin overlegne oppløsning er OCT mer nøyaktig når det gjelder å måle steder med plakk sårbarhet, skille forskjellene i sammensetningen, informere om den anatomiske alvorlighetsgraden av epikardiale stenoser, og gir også innspill til beregningsmodeller for å vurdere funksjonell alvorlighetsgrad.

Målene med studien er: (1) Å konstruere en kunstig intelligensmodell for å identifisere koronar plakkkomponenter på CTA-bilder ved å bruke OCT som referansestandard. (2) For å utføre væskemekanikksimulering inkludert blodkarvegg og plakk ved å bruke geometriske og fysiologiske modeller av blodkar og plakk, og for å gi mer nøyaktige funksjonelle parametere (CT-FFR).

Registreringskriteriene vil være (1) Pasienter som presenterte stabil angina pectoris eller akutt koronarsyndrom; (2) pasienter som oppfyller indikasjonene for koronar CT angiografi, perkutan koronar angiografi og intravaskulær avbildning; (3) Blant disse pasientene, pasienter som har minst én koronararteriestenose på 30 % - 90 % i diameter ≥ 2 mm bekreftet av CCTA.

Data som samles inn vil inkludere CCTA, fullstendig angiografi og OCT-bilder. Kombinert med CTA/ICA/OCT-bilder av flere modaliteter, vil denne studien utvikle en ny bildeanalyseteknologi for automatisk å trekke ut vaskulært lumen, plakkkarakterisering, væskefaste mekaniske egenskaper og myokardiskemitilstander ved bruk av beregningsbasert væskedynamikk (CFD) simulering og kunstig intelligens dyp læring.