张晓蕾 张元秀 唐春香 侯阳 郑敏文 张佳胤 张波 张代民 徐磊 胡秀华 王怡宁0 杨健 刘辉 张龙江

有创冠状动脉造影（invasive coronary angiography, ICA）测定的血流储备分数（fractional flow reserve，FFR）是诊断冠状动脉特异性狭窄病变引起血流动力学异常的金标准[1]，FFR 值可较精确地反映心肌缺血的程度[2]，临床上常以FFR≤0.80作为指导介入治疗及预测预后的指标[3]。近年来，冠状动脉CT 血管成像（coronary CT angiography,CCTA）已经成为诊断稳定性冠心病（coronary artery disease,CAD）的重要检查方法，基于CCTA 的无创性FFR（FFR derived from CCTA，FFRCT）应用越来越广泛。研究[4-6]证实FFRCT诊断缺血性冠状动脉狭窄有较高的准确性、敏感性及特异性，且与作为金标准的有创FFR 的一致性较高。随着技术进展，进一步评估不良斑块特征并且量化斑块的血流动力学特征已成为可能[7]。然而，越来越多的研究[8]发现管腔狭窄程度与心肌缺血之间存在不匹配现象，约一半以上的阻塞性冠状动脉疾病并不会引起心肌缺血，而非阻塞性病变也可以导致心肌缺血。有研究[9]表明冠状动脉粥样硬化斑块的特征可能是管腔狭窄与局部心肌缺血之间不匹配的原因，对病变结构、斑块特征和血流动力学参数进行综合评价，有利于识别易损斑块且可以提高对急性冠状动脉综合征风险的预测性能。机器学习（machine learning，ML）方法作为一种分析心血管疾病结局和临床决策的高效方法，用于预测斑块所致缺血性狭窄的多中心研究还比较少。因此，本研究拟采用ML 方法探讨造成冠状动脉缺血特异性狭窄病变的斑块特征。

1 资料与方法

1.1 一般资料 本研究为中国多中心FFRCT研究的子研究。……