Un algorithme pour évaluer rapidement la FFR-CT
JEUDI 11 MAI 2023
Soyez le premier à réagirDans un article publié dans l'American Journal of Roentgenology (AJR), un algorithme de mesure de la FFR-CT basé sur le deep learning à grande vitesse a donné d'excellentes performances diagnostiques pour la présence d'une sténose hémodynamiquement significative, comparé aux résultats de la FFR par coronarographie. Les chercheurs ont objectivé à la fois une haute reproductibilité inter et intra-observateur, ainsi qu’une vitesse de calcul de la FFR inégalée.
L’étude de la Fractional Flow Reserve (FFR) est un indicateur hémodynamique reconnu dans l’identification d’une sténose coronarienne. Historiquement réalisée à l’occasion d’une coronarographie, elle s’obtient désormais par tomodensitométrie (FFR-CT).
Des chercheurs suisses ont entrainé un algorithme de deep learning capable d’évaluer cette FFR-CT rapidement en cours d’examen. « Une approche rapide et précise sur site pour déterminer la FFR-CT devrait relever les défis rencontrés pour l'adoption clinique de l’utilisation de la FFR-CT en routine », précise l'auteur de l’article, le Dr Ronny Ralf Buechel, de l'hôpital universitaire de Zurich (Suisse).
Dans cette étude, 59 patients (46 hommes, 13 femmes ; âge moyen : 66,5 ans) ont subi un coroscanner avec score calcique, suivi dans les 90 jours d'une coronarographie avec mesure de la FFR et d’nstantaneous wave-free ratio (iwFR), de décembre 2014 à octobre 2021. Les lésions coronariennes ont été considérées comme présentant une sténose hémodynamiquement significative en présence de FFR ≤0,80 et/ou iwFR ≤0,89. Un seul cardiologue a évalué les images de coroscanner à l'aide d'un algorithme semi-automatisé basé sur le deep learning pour déterminer la FFR-CT pour les lésions coronariennes détectées par angiographie invasive.
Ensuite, le temps pour l'analyse FFR-CT a été enregistré. L'analyse FFR-CT a été répétée par le même cardiologue dans 26 examens sélectionnés au hasard, ainsi que par un cardiologue différent dans 45 examens sélectionnés au hasard. Au final, l’algorithme de deep learning a mis en évidence une AUC pour une sténose hémodynamiquement significative de 0,975, une sensibilité de 93,5 % et une spécificité de 97,7 %. Parmi les lésions sévèrement calcifiées, le même algorithme avait une AUC de 0,991, une sensibilité de 94,7 % et une spécificité de 95,0 %. De plus, le temps moyen d'analyse était de 7 minutes et 54 secondes, soit le temps le plus rapide enregistré jusqu’ici.
Bruno Benque avec AJR