BACKGROUND: Lipid-rich plaque covered by a thin fibrous cap (FC) has been identified as a frequent morphological substrate for the development of acute coronary syndrome. Optical coherence tomography (OCT) permits the identification and measurement of the FC. Near-infrared spectroscopy (NIRS) has been approved for detection of coronary lipids. AIMS: We aimed to assess the ability of detailed OCT analysis to identify coronary lipids, using NIRS as the reference method. METHODS: In total, 40 patients with acute coronary syndrome underwent imaging of a non-culprit lesion by both NIRS and OCT. For each segment, the NIRS-derived 4 mm segment with maximal lipid core burden index (maxLCBI4mm) was assessed. OCT analysis was performed using a semi-automated method including measurement of the fibrous cap thickness (FCT) of all detected fibroatheromas. Subsequent quantitative volumetric evaluation furnished FCT, FC surface area (FC SA), lipid arc, and FC (fibrous cap) volume data. OCT features of lipid plaques were compared with maxLCBI4mm. Predictors of maxLCBI4mm >400 was assessed by using univariable and multivariable analysis. RESULTS: OCT features (mean FCT, total FC SA, FC volume, maximal, mean, and total lipid arcs) strongly correlated with the maxLCBI4mm (p = 0.012 for the mean FCT, respectively p < 0.001 for all other aforementioned features). The strongest predictors of maxLCBI4mm >400 were the maximal (p = 0.002) and mean (p = 0.002) lipid arc, and total FC SA (p = 0.012). CONCLUSIONS: We found a strong correlation between the OCT-derived features and NIRS findings. Detailed OCT analysis may be reliably used for detection of the presence of coronary lipids.
- MeSH
- akutní koronární syndrom * diagnostické zobrazování MeSH
- aterosklerotický plát * diagnostické zobrazování MeSH
- blízká infračervená spektroskopie metody MeSH
- intervenční ultrasonografie metody MeSH
- koronární cévy diagnostické zobrazování patologie MeSH
- lidé MeSH
- lipidy MeSH
- nemoci koronárních tepen * diagnóza MeSH
- optická koherentní tomografie metody MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- časopisecké články MeSH
Úvod: Cílem této studie je vyhodnocení výkonu nově vyvinutého rytmového modelu určeného pro interpretaci EKG a založeného na umělé inteligenci (AI-ECGRM) v binární klasifikaci mezi sinusovým rytmem a arytmiemi. Metody: Interpretace EKG záznamů generované pomocí AI-ECGRM byly v rámci studie porovnány s diagnostickými závěry zkušeného kardiologa. Metodou použitou ke klasifikaci dat byla matice záměn, přičemž vyhodnocení zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu. Výsledky: Testovací datová sada obsahuje 1 491 náhodně vybraných EKG záznamů (průměrný věk 65 ± 21 let; 54 % žen). Pro danou datovou sadu čítala diagnostika kardiologa 1 271 záznamů se závěrem sinusový rytmus a 220 záznamů se závěrem arytmie. Oproti tomu interpretace generovaná pomocí AI-ECGRM čítala 1 169 záznamů se závěrem sinusový rytmus a 322 záznamů se závěrem arytmie. Senzitivita a specificita AI-ECGRM byla 94 % a 91 %. Pozitivní prediktivní hodnota byla 64 %. Negativní prediktivní hodnota dosáhla 99 %, což značí velmi nízkou pravděpodobnost vynechání potenciální patologie. Závěr: Výsledky ukazují na účinnost nově vyvinutého AI-ECGRM pro rozlišení záznamů se sinusovým rytmem a arytmií. Navíc metoda vykazuje vysokou negativní prediktivní hodnotu blížící se 100 %.
Objective: This study aimed to evaluate the performance of a developed novel AI-based ECG rhythm model (AI-ECGRM) in binary classification between sinus rhythm and arrhythmias. Methods: The interpretations generated by the AI-ECGRM were compared to the diagnostic conclusions made by cardiologists. The confusion matrix was used to verify the AI-ECGRM's sensitivity, specificity, positive predictive value, and negative predictive value. Results: The testing dataset included 1,491 randomly selected ECGs (mean age 65±21 years; 54% female). Out of the testing dataset, the highly advanced cardiologists diagnosed 1,271 ECGs as sinus rhythm and 220 as arrhythmia. The AI-ECGRM labelled 1,169 as sinus rhythm and 322 as arrhythmia out of the same ECGs. The sensitivity and specificity of the model were 94% and 91%, respectively. The positive predictive value was 64%. The negative predictive value was 99%, indicating a very low probability of missing any potential pathology. Conclusion: The results demonstrated the efficacy of the developed AI-ECGRM in accurately discriminating between ECGs exhibiting normal sinus rhythm and those indicating cardiac arrhythmias. Moreover, the AI-ECGRM exhibited an exceptional negative predictive value, approaching 100%.
- Publikační typ
- abstrakt z konference MeSH
