Development of a model for angiography-based fractional flow reserve using machine learning in coronary artery disease

Abstract

Objectives: Guidelines recommend using pressure wire-based fractional flow reserve (FFR) when deciding to perform coronary intervention in patients with angina and intermediate lesions. However, several hurdles, including cost and safety concerns, have reduced the rate of FFR usage in clinical practice. Meanwhile, noninvasive FFR methods have been widely investigated for their safety and convenience. This study aimed to develop machine learning (ML) model, referred as ML-Angio-FFR model, using quantitative coronary angiography and clinical data that can predict FFR more safely as well as cost and time effectively. Methods: The ML-Angio-FFR model was trained using the Random Forest algorithm with 42 features based on 1,459 patients with 2,439 intermediate lesions. All the features were ranked by feature importance score. The training and testing sets were divided in a 4:1 ratio. FFR ≤0.80 was considered ischemic driven lesion, while FFR >0.80 was considered lesion can be deferred intervention and the performance test was conducted using this threshold. Results: The mean age of the enrolled patients was 67.1 years, and 1,004 (68.8%) were male. Of the included lesions, 1,481 (60.7%), 533 (21.9%), and 425 (17.4%) were located in left anterior descending artery, left circumflex artery, and right coronary artery, respectively. Using the 8 key features, the ML-Angio-FFR model was developed. There was a strong correlation between ML-Angio-FFR and wire-based FFR (r=0.7828; p<0.001), along with high diagnostic accuracy in the testing set (87%; area under the curve, 0.89). External validation revealed modest correlation (r=0.4940; p<0.001) and accuracy (62%; area under the curve, 0.73). Conclusions: The ML-Angio-FFR model demonstrates a high correlation with pressure wire-based FFR and presents good diagnostic performance to predict FFR >0.80.

배경: 협심증을 호소하는 환자에게서 관상동맥의 중등도 협착이 관찰된다면, 압력 철선 기반의 분획 혈류 예비력을 평가하여 관상동맥 중재술 등의 치료 방침을 결정하도록 최신의 가이드라인에서 권고하고 있다. 그러나 실제 임상에서는 시간, 비용 및 안전상의 문제로 분획 혈류 예비력 검사 시행이 저조한 실정이다. 이러한 배경에서, 비침습적으로 이런 분획 혈류 예비력을 예측하기 위한 연구들도 많이 이루어지고 있다. 본 연구는 정량적 관상동맥 조영술과 환자의 임상 정보를 이용하여 비침습적으로 분획 혈류 예비력을 예측할 수 있는 머신 러닝 모델 (ML-Angio-FFR)을 수립하는 것을 목표로 하고 있다. 방법: ML-Angio-FFR 모델은 1,459명의 협심증 환자의 2,439개의 중등도 관상동맥 병변을 가지고 머신 러닝 기반의 랜덤 포레스트 알고리즘으로 훈련되었다. 첫 분석시에는 42개의 특성들이 포함되었다. 훈련 세트와 테스트 세트는 4:1 비율로 나누어졌다. 분획 혈류 예비력 0.80 이하의 병변은 허혈을 유발하는 병변으로, 0.80 초과는 중재술을 연기하고 약물 치료를 먼저 시행하는 병변으로 간주하고, 0.80 초과를 기준으로 모델 성능 테스트를 수행하였다. 결과: 환자의 평균 나이는 67.1세였고, 1,004명은 (68.8%) 남성이었다. 좌전하행지 1,481개 (60.7%), 좌회선지 533개 (21.9%), 우관상동맥 425개 (17.4%)의 병변이 포함되었다. 8개의 주요 특징을 사용하여 최종 ML-Angio-FFR 모델이 개발되었고, 테스트 세트에서 압력 철선 기반 분획 혈류 예비력과의 강한 상관 관계를 보였다 (r=0.7828, p<0.001). 또한 모델 성능 평가에서 진단 정확도는 87%로 확인되었고, 수신자 조작 특성 곡선의 곡선 아래 면적은 0.89로 나타났다. 외부 자료 검증에서도 준수한 상관 관계 및 진단 정확도를 보였으며 (r=0.4940, p<0.001; 62%), 수신자 조작 특성 곡선의 곡선 아래 면적은 0.73으로 나타났다. 결론: ML-Angio-FFR 모델은 기존의 압력 철선 기반 분획 혈류 예비력과 높은 상관관계를 보이며 허혈을 유발하지 않는 병변을 예측하는 것에 준수한 진단 성능을 나타낸다.