Fractional Flow Reserve Estimated at Coronary CT Angiography in Intermediate Lesions: Comparison of Diagnostic Accuracy of Different Methods to Determine Coronary Flow Distribution
Notice bibliographique
Résumé
Purpose To compare the diagnostic accuracy of different computed tomographic (CT) fractional flow reserve (FFR) algorithms for vessels with intermediate stenosis. Materials and Methods This cross-sectional HIPAA-compliant and human research committee–approved study applied a four-step CT FFR algorithm in 61 patients (mean age, 69 years ± 10; age range, 29–89 years) with a lesion of intermediate-diameter stenosis (25%–69%) at CT angiography who underwent FFR measurement within 90 days. The per-lesion diagnostic performance of CT FFR was tested for three different approaches to estimate blood flow distribution for CT FFR calculation. The first two, the Murray law and the Huo-Kassab rule, used coronary anatomy; the third used contrast material opacification gradients. CT FFR algorithms and CT angiography percentage diameter stenosis (DS) measurements were compared by using the area under the receiver operating characteristic curve (AUC) to detect FFRs of 0.8 or lower. Results Twenty-five lesions (41%) had FFRs of 0.8 or lower. The AUC of CT FFR determination by using contrast material gradients (AUC = 0.953) was significantly higher than that of the Huo-Kassab (AUC = 0.882, P = .043) and Murray law models (AUC = 0.871, P = .033). All three AUCs were higher than that for 50% or greater DS at CT angiography (AUC = 0.596, P < .001). Correlation of CT FFR with FFR was highest for gradients (Spearman ρ = 0.80), followed by the Huo-Kassab rule (ρ = 0.68) and Murray law (ρ = 0.67) models. All CT FFR algorithms had small biases, ranging from −0.015 (Murray) to −0.049 (Huo-Kassab). Limits of agreement were narrowest for gradients (−0.182, 0.147), followed by the Huo-Kassab rule (−0.246, 0.149) and the Murray law (−0.285, 0.256) models. Conclusion Clinicians can perform CT FFR by using a four-step approach on site to accurately detect hemodynamically significant intermediate-stenosis lesions. Estimating blood flow distribution by using coronary contrast opacification variations may improve CT FFR accuracy. © RSNA, 2017 Online supplemental material is available for this article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».