AIPLAQUE-studien: en artificiell intelligens-baserad prospektiv studie för att analysera PLAQUE med hjälp av CCTA

Akut kranskärlssyndrom (ACS) är en av de främsta orsakerna till dödsfall i kranskärlssjukdom (CAD) över hela världen. Sårbar plackruptur är en primär bakomliggande orsak till luminal trombos som är ansvarig för att provocera ACS. Att identifiera högriskplack innan ACS inträffar har därför varit ett stort forskningsmål och kräver ytterligare kliniska perspektiv. Koronar datortomografi angiografi (CCTA) är en omfattande, icke-invasiv och kostnadseffektiv bildbehandlingsmetod som kan ge förmågan att identifiera egenskaperna och morfologin hos högrisk aterosklerotiska plack associerade med ACS. Optisk koherenstomografi (OCT) är en ny, ljusbaserad, intravaskulär avbildningsteknik som ger högupplösta, tvärsnittsbilder av kranskärlens anatomi. På grund av sin överlägsna upplösning är OCT mer exakt när det gäller att mäta platserna för placksårbarhet, särskilja skillnaderna i dess sammansättning, informera om den anatomiska svårighetsgraden av epikardiella stenoser och ger också input för beräkningsmodeller för att bedöma funktionell svårighetsgrad.

Målen för studien är: (1) Att konstruera en artificiell intelligensmodell för att identifiera koronarplackkomponenter på CTA-bilder med hjälp av OCT som referensstandard. (2) Att genomföra vätskemekanisk simulering inklusive blodkärlsvägg och plack genom att använda geometriska och fysiologiska modeller av blodkärl och plack, och att tillhandahålla mer exakta funktionsparametrar (CT-FFR).

Inskrivningskriterierna kommer att vara (1) Patienter som uppvisade stabil angina pectoris eller akut koronarsyndrom; (2) patienter som uppfyller indikationerna för koronar CT-angiografi, perkutan kranskärlsangiografi och intravaskulär avbildning; (3) Bland dessa patienter, patienter som har minst en kransartärstenos på 30 % - 90 % i diameter ≥ 2 mm bekräftat av CCTA.

Data som samlas in kommer att omfatta CCTA, fullständig angiografi och OCT-bilder. I kombination med CTA/ICA/OCT-bilder av flera modaliteter kommer denna studie att utveckla en ny bildanalysteknik för att automatiskt extrahera vaskulär lumen, plackkarakterisering, vätskefasta mekaniska egenskaper och myokardischemitillstånd med hjälp av beräkningsvätskedynamik (CFD) simulering och artificiell intelligens djupinlärning.