冠状动脉疾病的全球预测概率研究 (GPS-CAD)

这项研究是一个汇总登记，包括对来自多个地点的个人的回顾性医疗记录审查。 一般方法是创建一个大型的、综合的、全球性的现有患者队列登记表，这些患者被转介使用计算机断层扫描 (CT) 进行无创检测。 将从多个站点获得匿名图像和结构化数据，包括人口统计数据、风险因素、结果和 CT 结果。 要分析和量化的图像类型是非对比 CT (NCCT) 扫描和冠状动脉 CT 血管造影 (CCTA)。 CAC 分数将使用 Agatston 的方法，而 CAD 将使用 CCTA 读取的注册数据进行评估。

收集的数据将包括风险因素和人口统计数据，例如年龄、性别、种族、高血压、吸烟、糖尿病、血脂异常和 CAD 家族史。 如果可用，数据集中将包括死亡和心肌梗塞等结果。 所有收到的数据都将被匿名化和去识别化。 研究团队成员将检查研究数据，以确保准确收集所有研究数据且完整。

不同群组的数据元素可能不会相互协调或匹配。 可能缺少数据元素或不同的数据输入。 因此，可以使用遗漏或估算来进行分析。 为了尽量减少格式上的数据异质性，网站将提供标准模板和数据字典。 这将完成初始数据协调和预期数据元素。 收集到的数据集将在分析之前由生物统计学团队进行协调。

近似总研究规模 n = 200,000。 假设现有 PTP 和 CAC 方法的接受者操作曲线 (AUC) 下面积为 0.70，则该提议有足够的能力使用显着性水平为 0.05 的双侧 z 检验检测 AUC 增加 0.05。 连续变量将表示为平均值和标准偏差。 分类变量将表示为绝对数字和百分比。 将使用 Shapiro-Wilk 统计数据测试分布的正态性。 非正态分布的变量将表示为具有第 25 到第 75 个四分位数范围的中位数。 正态分布连续变量的比较将使用配对和未配对数据的学生 t 检验进行。 将使用 Mann-Whitney 秩和检验和 Kruskal-Wallis 检验比较非正态分布的变量。 分类数据的比较将在适当时使用卡方和 Fisher 精确检验进行。

随着时间的推移，结果的差异将通过 Kaplan-Meier 分析进行分析，并对每个结果进行对数秩检验。 使用 Cox 回归分析将执行单变量和多变量回归分析。 单变量分析将包括 p 值 <0.10 的事件前变量。 显示显着性的变量 (p<0.05) 在单变量分析后，与终点的相关性将在多变量模型中考虑。 将计算优势比和 95% 置信区间。 统计显着性被确定为p<0.05。 先进的机器学习技术（例如 神经网络）可以应用。