2023冠状动脉CT血流储备分数应用临床路径中国专家共识最全版.docx

《2023冠状动脉CT血流储备分数应用临床路径中国专家共识最全版.docx》由会员分享，可在线阅读，更多相关《2023冠状动脉CT血流储备分数应用临床路径中国专家共识最全版.docx（15页珍藏版）》请在第一文库网上搜索。

1、2023冠状动脉CT血流储备分数应用临床路径中国专家共识(最全版)我国心血管病现患人数约为3.3亿，每5例死亡中就有2例死于心血 管病。冠心病推算为1 139万且患病率呈逐年增加态势,及时准确地诊断 和精准治疗至关重要。冠心病常用的影像检查手段为有创冠状动脉造影(invasive coronary angiography , ICA )和冠状动脉 CT 血管造影 (coronary CT angiography , CCTA ) 常规 ICA 和 CCTA 主要提供解 剖信息，单凭视觉评估冠状动脉狭窄程度与心肌缺血无明确相关性，难以 从功能学角度评价狭窄对心肌供血的影响。冠状动脉狭窄的功能学检

2、测方法有很多，包括心电图负荷试验、超声 负荷试验、同位素或磁共振负荷试验等。1993年PijIS等提出了通过压力 测定推算冠状动脉血流的新指标，即血流储备分数(fractional flow reserve , FFR )。FFR是指心外膜冠状动脉存在狭窄时，该血管所供应区 域能获得的最大心肌血流量与同一区域理论上无狭窄时最大心肌血流 量的比值。多个大型临床研究表明FFR指导的血运重建(FFRWo.80的患 者进行血运重建)显著减少了支架置入，提高了手术安全性，也改善了患 者的长期预后。经过长期临床研究及实践，目前FFR已被认为是心外膜冠 状动脉狭窄功能性评价的金标准，得到各类血运重建相关指南

3、的推荐。FFR在冠状动脉功能学评估上具有独特的优势，然而在实际临床中的 应用受到一定限制。其原因是多方面的，FFR需要经导管测量，是有创的 诊断方法，需要压力导丝及腺苗或其他药物，不仅增加了额外费用，且操 作增加手术时间(操作需要约30 min ),为了保证检测的可重复性和安 全性，对医师和护理团队的要求较高；此外，现有冠状动脉血管负荷药物 的潜在不良反应(面部潮红、呼吸困难、心动过缓和心脏传导阻滞等)也 增加了 FFR测量过程中的患者不适度和不良反应。近年来，基于CCTA影 像数据应用高级计算流体力学及深度学习等方法获得的冠状动脉CT血流 储备分数(coronary CT angiograp

4、hy derived fractional flow reserve , CT-FFR )能在单次检查期间同时提供冠状动脉的解剖和生理学信息，成为 临床研究和应用的新热点。CT-FFR不需要改变原有CCTA的数据采集方 案，不需要使用药物辅助，不会增加辐射剂量，已引起国内外心内科及影 像科医师的广泛关注。国内已有数家公司的CT-FFR产品获得注册批准， 但在国内临床实践中的使用仍处于探索阶段。为帮助我国广大临床工作者合理、规范地应用CT-FFR z中国医师协 会心血管内科医师分会超声心动图和影像学组联合中国介入心脏病学杂 志编辑委员会牵头组织相关专家，基于国内外新临床研究成果，参考相 关指南和

5、共识，结合我国国情和临床实践，撰写了该共识。专家组希望本 临床路径共识的制订与发布能够对未来CT-FFR技术进一步参与患者诊疗 起到积极的推动作用。1 CT-FFR基本原理及诊断效能1JCT JFR基本原理CT-FFR是一项无创的图像后处理技术，基于常规CCTA所获得的冠 状动脉三维图像，辅以计算机专用软件，即可根据冠状动脉解剖模型，联 合冠状动脉生理学的数学模型、流体动力学的物理定律，模拟冠状动脉血 流情况，计算冠状动脉流速和压力,提供模拟FFR结果。CT-FFR将冠状 动脉狭窄的解剖严重程度与其生理效应耦合起来，提供了狭窄病变的生理 学信息，使临床医师能更全面地了解冠状动脉的供血情况。经典

6、的CT-FFR计算大致可分为3个要素。(1 )从CCTA图像提取 出解剖模型，设定计算模拟的区域。以往需要人工分割血管边界生成模型。 随着机器学习人工智能技术的应用，大部分工作可由计算机自动完成。(2 ) 选择合适的数学模型和数值方法。描述流体运动的纳维-斯托克斯(Navier-Stokes )方程也适用于大动脉和冠状动脉的血液流动。复杂区 域的纳维-斯托克斯方程需要使用数值方法在计算机上求解。例如有限元 法，由于适合处理具有复杂边界的问题，被最先应用到CT-FFR的计算。(3)确定边界条件。除了选定微分方程，求解还需要边界信息，例如入 口的流量、下游血管的流阻等。边界条件需要符合患者的生理特

7、征，这些 信息可通过临床数据和数学模型估算。根据FFR计算所采用的方法，目前 可用的CT-FFR软件主要有以下3类：基于三维计算流体力学(3D-computational flow dynamics , 3D-CFD )的 CT-FFRs 基于降阶 CFD的CT-FFR、基于深度学习的CT-FFR。1.1.1 基于3D-CFD的CT-FFR基于3D-CFD的CT-FFR软件以血管 的三维模型为基础，采用了计算流体力学的数值方法，辅以心血管力学模 型计算出三维模型中压力速度场，进而估计出CT-FFRo基于3D-CFD的 CT-FFR对血流的还原程度较高、具有较高的精准度，但其计算量较大, 早期每

8、例的处理时间较长(一般为1 4 h ),需要专业人员在核心实验室 的超级计算机上进行离线并行计算和处理，限制了其在临床的广泛应用。 近年来随着技术和算法的进步,基于3D-CFD的CT-FFR在精准度和计算 时间上都有明显提高，这使得基于3D-CFD的CT-FFR实现了现场实时分 析。基于3D-CFD的计算方法在原理上适用于各种冠状动脉解剖结构和复 杂病变，但对于血管边界的重建要求较高,跟其他CT-FFR方法一样受图 像质量影响。1.1.2 基于降阶CFD的CT-FFR基于降阶CFD的CT-FFR软件便于 现场部署及计算，通过一维降阶模型进行流体模拟，沿着冠状动脉树进行 压力、流量的测定,最后，

9、将CT-FFR值的空间分布以彩色编码地图的方 式投影至三维冠状动脉树模型上。基于降阶CFD的计算时间显著低于 3D-CFD ,计算时间25 min ,图像分割及人工修改时间另计，目前已经 能实现一站式自动化CT-FFR分析。基于降阶CFD的计算方法，丢失了部 分三维信息，因此在某些复杂解剖结构上精准度可能会受到限制。1.1.3 基于深度学习的CT-FFR基于机器学习算法的CT-FFR使用深 度学习框架，采用多层神经网络结构和一维降阶模型，对大数据集的冠状 动脉树解剖结构与其相应计算血流动力学之间的复杂关系进行离线训练、 学习，模拟一个符合CFD计算结果的模型。完成训练后基于深度学习相 比基于3

10、D-CFD可以更快地计算CT-FFR ,更加适合现场部署计算。基于 深度学习的计算方法，由于训练集中存在的压力导丝FFR测量的真实 CCTA数据很有限，因此对于训练集中不存在或代表性不够的冠状动脉解 剖结构和复杂病变，计算结果可能存在一定的不确定性。1.2CTFFR的诊断效能CCTA对于心肌缺血的诊断具有较高的阴性预测值,但阳性预测值低, 因此CCTA识别血流动力学有意义的冠状动脉病变的特异性相对较差。由 此会导致许多并不存在心肌缺血的检直者因为CCTA的阳性结果而进行 ICA检查，而CT-FFR能明显提高对心肌缺血的诊断特异度,可减少不必 要的ICA检查。最早由HeartFIOW公司资助的3

11、项前瞻性、多中心、核心实验室采 用盲法分析的对照试验，以压力导丝FFR （ 0.80为界值）作为参考标准， 证明了与CCTA相比，CT-FFR与压力导丝FFR有更高的一致性，在诊断 效能上具有优势。此后国内外多家公司也开展了 CT-FFR分析软件的开发 和应用,不同算法的CT-FFR也相继应用于冠心病的精准诊治。表1罗列 了部分相关诊断效能的临床研究结果,随着算法的优化,CT-FFR对于心 肌缺血的诊断效能逐渐提高。741* 1不同ETR软件诊断效他&认证丹况4 vfnMr .m MlWukYiia vxa af CdnuCT7R年备,发表 MMJfttt*VVMft fl ).,如” XK(

12、X)* *n IrS.t% ) lNPV AUCOW*s M f(%it%)t)NPVAUC知tts Ultf我Nwpord lj2OI4MWn. 名中CHrWtFbV2MWIlMM9OMJlXFDAflt三 央UW,m/XQORinn. HcRMKtrIlBMU909)U力91091M4092JtMTOJMI三 典HW * ZXDlRlM中CB*mao9MdM293191M4OIB919tieMl24914OTBHMCFD二* gf)ut,/ MMerI, 单中。WeMrrTMSW4996MlUJM9NA91t904Ul处907AWMM-JMi , FBA CE2QZ2mn. +cfewIi

13、aiMNANANANAKAQM92弊3194NAJU095MMTO2AK !SMMwl2022ffn.*中CX0Rt KM51736657AH.74a8KS98%17391.109XTD三费便I NbfPA Tor,/ 3X2多中。：rw 彩Ktt12TNA909BS%0初NANAXAMAX4NAHMTD三费INMM1 a. IlMefN 献发 U0 件 It 序.“抵力fiifTRW010 大况上“飞，号卜m；CTFFIt. Ji 次限 * CTn*l* 分 0； PfrV. MRMM ; NPV.AUC1 K -“抬打曲地卜 OJ 川；JDOT1 豢计-N 悼刀掌；FDA. 3*ftMAKff ffNA,不 上01IkNMFA. Ha*AAA*9W: CE.由于受到CT空间分辨力和冠状动脉钙化所致的线束硬化伪影的限 制，CCTA经常高估狭窄程度，进一步限制了特异性。一项基于深度学习 的CT-FFR研究显示,在轻度至中度钙化病变中,CT-FFR比CCTA表现 出更好的鉴别缺血能力，在中度或严重钙化的患者和血管中诊断的准确度 和特异度均高于CCTAo另一项研究也发现在严重钙化的冠心病患者中（钙 化评分 400 ） , CT-FFR的准确度和特异度均