Valutazione fisiologica non invasiva delle stenosi coronariche di grado intermedio mediante l'applicazione dell'intelligenza artificiale all'angiografia

Background. Despite evidence supporting use of Fractional Flow-Reserve (FFR) and instantaneous waves-Free Ratio (iFR) to improve outcome of patients undergoing Coronary Angiography (CA) and percutaneous coronary intervention (PCI), such techniques are still underused in clinical practice due to economic and logistic issues. Objectives. We aimed to develop an Artificial Intelligence (AI)-based application to compute FFR and iFR from plain CA. Methods. Consecutive patients performing FFR or iFR or both were enrolled. A specific multi-task deep network exploiting 2 projections of the coronary of interest from standard CA was appraised. Accuracy of prediction of FFR/iFR of the AI model was the primary endpoint, along with sensitivity and specificity. Prediction was tested both for continuous values and for dichotomous classification (positive/negative) for FFR or iFR. Subgroup analyses were performed for FFR and iFR. Results. 389 patients from 5 centers were enrolled. Mean age was 67.9±9.6 and 39.2% of patients were admitted for ACS. Overall, the accuracy was 87.3% (81.2%-93.4%), with a sensitivity of 82.4% (71.9%-96.4%) and a specificity of 92.2% (90.4%-93.9%). For FFR, accuracy was 84.8% (77.8%-91.8%), with a sensitivity of 81.9% (69.4%-94.4%) and a specificity of 87.7% (85.5%-89.9%), while for iFR accuracy was 90.2% (86.0%-94.6%), with a sensitivity of 87.2% (76.6%-97.8%) and a specificity of 93.2% (91.7%-94.7%, all CI 95%). Conclusions. The presented machine-learning based tool showed high accuracy in prediction of wire-based FFR and iFR.

Background Nonostante le evidenze a supporto dell’utilizzo di FFR e iFR per guidare la coronarografia e la PCI, tali tecniche non si sono ancora diffuse nella pratica clinica a causa di problemi economici e logistici. Obiettivi L’obiettivo dello studio è quello di sviluppare un Algoritmo basato sull’intelligenza artificiale in grado di calcolare i valori di FFR e iFR a partire da immagini angiografiche. Metodi Nello studio sono stato arruolati pazienti in cui sono stati studiati i valori di FFR, di iFR o entrambe. È poi stato sviluppato uno specifico network multi-task deep in grado di elaborare 2 proiezioni da filmati angiografici. L’endpoint primario è stato valutare l’accuratezza, la sensibilità e la specificità del Modello nella predizione dei valori di FFR/iFR, testata sia per valori continui che dicotomici (positivo/negativo). In un sottogruppo tale analisi è stata estesa alla valutazione contemporanea dell’FFR e dell’iFR. Risultati Sono stati arruolati 389 paziente in 5 Centri, la cui età media era 67.99.6 e il 39.2% era affetto da ACS. Complessivamente, l’accuratezza è stata dell’87.3% (95%IC: 81.2%-93.4%), con una sensibilità dell’82.4% (95%IC: 71.9%-96.4%) e una specificità del 92.2% (95%IC: 90.4%- 93.9%). Nello specifico, l’accuratezza dell’FFR è stata dell’84.8% (95%IC: 77.8-91.8%), con una sensibilità dell’81.9% (95%IC: 69.4%-94.4%) e una specificità dell’87.7% (95%IC: 85.5%-89.9%); mentre l’accuratezza dell’iFR è stata del 90.2% (95%IC: 86.0%-94.6%), con una sensibilità dell’87.2% (95%IC: 76.6%-97.8%) e una specificità del 93.2% (95%IC: 91.7%-94.7%). Conclusioni L’Algoritmo di machine-learning presentato ha mostrato un’alta accuratezza nel predire i valori di FFR/iFR.