亮点
- 与标准10年心血管风险评分相比，机器学习（ML）在冠状动脉CT血管造影（CCTA）中预测冠状动脉疾病（CAD）存在方面表现出更强的能力。
- ML模型利用了多个临床变量，包括年龄、性别、胆固醇值和运动耐量测试结果，以提高预测准确性。
- ML对高危低衰减斑块（LAP）负担的预测并未超过传统风险评分，强调了仅靠临床因素难以捕捉斑块表型的局限性。
- 研究结果支持在临床路径中整合ML模型，以更好地分诊患者进行冠状动脉成像并优化资源配置。
研究背景和疾病负担
冠状动脉疾病（CAD）仍然是全球发病率和死亡率的主要原因。准确识别高危CAD患者对于靶向诊断和治疗干预至关重要。冠状动脉CT血管造影（CCTA）提供了冠状动脉解剖和斑块特征的详细无创可视化，有助于更好的风险分层。然而，由于资源限制，常规在所有疑似CAD患者中使用CCTA可能不可行或不具成本效益。
传统的心血管风险计算器，如基于综合队列方程的10年风险评分，主要使用人口统计学和临床参数来估算长期动脉粥样硬化性心血管疾病风险。这些评分未能全面纳入患者特定的症状谱、功能运动测试结果或详细的实验室值，限制了其在预测实际冠状动脉斑块存在和易损性方面的准确性。
机器学习（ML）方法有可能整合超出经典风险评分的多样化临床特征，以更好地预测CAD状态和斑块表型。其应用可以精炼患者选择，实现成像资源的优化利用，并及时识别需要积极管理的患者。
研究设计
本研究利用了SCOT-HEART（苏格兰心脏CT成像）试验的数据，该试验招募了疑似心绞痛的患者。从1769名参与者中，使用临床、人口统计学、心电图（ECG）和运动耐量测试（ETT）数据，采用XGBoost算法开发和验证ML模型。
构建了两个独立的ML模型：
1. 预测CCTA上冠状动脉疾病的存在。
2. 预测低衰减冠状动脉斑块（LAP）负担增加，这是易损斑块的标志。
模型训练采用了10折交叉验证和网格搜索进行超参数优化，以最大化预测性能。这些模型与10年心血管风险评分进行了比较，作为基准。
关键发现
预测CCTA上CAD存在的ML模型达到了受试者工作特征曲线（ROC）下的面积（AUC）为0.80（95% CI 0.74–0.85），显著优于单独的10年心血管风险评分，后者AUC为0.75（95% CI 0.70–0.81；p=0.004）。
特征重要性分析显示，10年风险评分仍然是主要的预测因子，辅以年龄、性别、总胆固醇和运动耐量测试异常发现。
相比之下，旨在预测LAP负担增加的ML模型表现与传统风险评分相当（AUC 0.75 vs 0.72；p=0.08），表明仅靠临床特征在识别易损斑块方面的附加价值有限。
这些结果强调了ML在增强识别有冠状动脉造影CAD患者的潜力，但也突显了使用标准临床数据非侵入性检测斑块易损性的挑战。
专家评论
SCOT-HEART分析代表了ML在解决一个关键临床问题上的有意义应用：如何在成像前非侵入性地预测冠状动脉疾病和斑块表型。
与传统风险评分相比，CAD预测的改善可以促进更加个性化的诊断路径，优先考虑最有可能患有疾病的患者进行CCTA。这种资源意识的方法特别相关，因为医疗系统正面临日益增长的需求和成像积压。
然而，仅基于临床参数无法改善LAP负担预测，这可能反映了症状和传统风险因素所捕获的病理生理学的局限性。易损斑块通常涉及复杂的微环境和分子变化，超出临床指标所能揭示的范围，表明需要结合生物标志物或成像模式进行精确表征。
研究的方法学严谨性——利用XGBoost等稳健的ML技术进行交叉验证和公平的比较基准——增强了对结果的信心。然而，临床采用将需要在不同人群中进行外部验证并与临床工作流程集成。
未来的研究方向应探索将ML与新型生物标志物、遗传学和成像衍生的放射组学特征相结合，以增强高危斑块的早期检测。
结论
基于全面临床数据集训练的机器学习模型可以显著提高CT血管造影中冠状动脉疾病存在的预测准确性，超越标准心血管风险评分。这一进展有望精炼CCTA的患者选择，实现更集中和高效的心血管评估。
然而，仅靠临床因素不足以更好地预测高危低衰减斑块负担，突显了非侵入性识别易损冠状病变的持续挑战。
继续研究将多模态数据与ML相结合，对于推进高危CAD亚群的精准检测以及最终改善个体化患者结局至关重要。
参考文献
Williams MC, Guimaraes ARM, Jiang M, Kwieciński J, Weir-McCall JR, Adamson PD, Mills NL, Roditi GH, van Beek EJR, Nicol E, Berman DS, Slomka PJ, Dweck MR, Newby DE, Dey D. 利用机器学习在SCOT-HEART试验中预测CT上的高危冠状动脉疾病。Open Heart. 2025 年 9 月 1 日；12(2)：e003162。doi: 10.1136/openhrt-2025-003162。PMID: 40889953；PMCID: PMC12406813。
Hoffmann U, Truong QA, Nagurney JT, 等. 在疑似冠状动脉疾病患者中应用64层计算机断层冠状动脉造影。JAMA. 2009；302(4)：370-378。
Nørgaard BL, Leipsic J, Gaur S, 等. 通过冠状动脉CT血管造影衍生的非侵入性血流储备分数在疑似冠状动脉疾病中的诊断性能：NXT试验（使用CT血管造影分析冠状动脉血流：下一步）。J Am Coll Cardiol. 2014；63(12)：1145-1155。
Esteva A, Robicquet A, Ramsundar B, 等. 医疗保健中的深度学习指南。Nat Med. 2019；25(1)：24-29。
