Rendimiento diagnóstico de la reserva fraccional de flujo derivada de la tomografía computarizada en pacientes con estenosis coronaria significativa

Resumen

Objetivo

Determinar el rendimiento diagnóstico de la reserva fraccional de flujo derivada de la tomografía computarizada (FFRCT) en pacientes con estenosis coronaria significativa (≥ 50%) en TC de arterias coronarias (TCC).

Material y métodos

El FFRCT se calculó de forma retrospectiva en 73 pacientes con CAD-RADS 3 o 4 en TCC a quienes se les realizó coronariografía convencional, empleando un software basado en el aprendizaje profundo (DEEPVESSEL-FFR, Keya Medical, Kanbai Tech). Se consideró un valor de FFRCT < 0,80 como hemodinámicamente significativo. Se compararon los resultados de la lectura aislada de TCC y FFRCT y de la interpretación combinada de TCC + FFRCT respecto a la coronariografía convencional, como estándar de referencia.

Resultados

Se observó FFRCT < 0,80 en 62 de los 219 vasos analizados (28,3%). En el análisis por vaso la sensibilidad, la especificidad, el valor predictivo positivo, el valor predictivo negativo y la exactitud fueron del 95,5%, del 75%, del 62,7%, del 97,4% y del 81,3%, respectivamente, para la estenosis ≥ 50% en TCC, y del 67,2%, del 88,8%, del 72,6%, del 85,9% y del 82,2%, respectivamente, para el FFRCT, frente a la coronariografía convencional. La interpretación combinada de TCC + FFRCT mejoró el rendimiento diagnóstico de la prueba tanto en el análisis por vaso (área bajo la curva de 0,91, frente a 0,85 de TCC; p = 0,03, y 0,78 de FFRCT; p = 0,007) como por paciente (área bajo la curva de 0,89, frente a 0,81 de TCC; p = 0,005, y 0,79 de FFRCT; p = 0,002).

Conclusión

La interpretación combinada de TCC + FFRCT con un software basado en el aprendizaje profundo mejora el rendimiento diagnóstico de la TCC o FFRCT aisladas en pacientes con estenosis coronaria significativa.

Abstract

Objective

To determine the diagnostic performance of computed tomography-derived fractional flow reserve (FFRCT) in patients with significant coronary artery stenosis (≥ 50%) on coronary computed tomography angiography (CCTA).

Material and methods

The FFRCT was retrospectively calculated for 73 patients with CAD-RADS 3 or 4 on CCTA who underwent conventional coronary angiography, using a deep learning-based software (DEEPVESSEL-FFR, Keya Medical, Kanbai Tech). A FFRCT value < 0.80 was considered haemodynamically significant. Conventional coronary angiography was used as the reference standard to compare the effectiveness of the individual use of CCTA, the individual use of FFRCT and the combined use of CCTA and FFRCT.

Results

A FFRCT of < 0.80 was observed in 62 of the 219 vessels analysed (28.3%). In a per-vessel analysis, the sensitivity, specificity, positive predictive value, negative predictive value, and accuracy were 95.5%, 75%, 62.7%, 97.4%, and 81.3%, respectively for ≥ 50% stenosis on CCTA, and 67.2%, 88.8%, 72.6%, 85.9% and 82.2%, respectively for FFRCT, when compared to conventional coronary angiography. The combined CCTA + FFRCT interpretation improved the diagnostic performance of the test both on a per-vessel (area under the curve 0.91 vs. 0.85 for CCTA; P = .03 and 0.78 for FFRCT; P = .007) and per-patient basis (area under the curve 0.89 vs. 0.81 for CCTA; P = .005 and 0.79 for FFRCT; P = .002).

Conclusion

The combined CCTA + FFRCT interpretation with deep learning-based software improves the diagnostic performance of individual CCTA or FFRCT readings in patients with significant coronary artery stenosis.

Introducción

Las guías de práctica clínica más recientes sobre el manejo de pacientes con síndrome coronario crónico establecen que los sujetos con una probabilidad pretest moderada o alta (> 15-85%) de enfermedad coronaria obstructiva requieren la realización de estudios de imagen no invasivos para establecer el diagnóstico¹. En el grupo concreto de pacientes con una probabilidad baja o moderada (15-50%), la tomografía computarizada de arterias coronarias (TCC) se establece como prueba de primera línea para diagnosticar la enfermedad coronaria obstructiva y estimar el riesgo de eventos cardiovasculares adversos mayores (ECAV), debido a la baja prevalencia de enfermedad coronaria en este grupo de pacientes y al alto valor predictivo negativo de la prueba para descartar enfermedad coronaria obstructiva^2,3. Una limitación importante de la técnica, no obstante, es su baja especificidad, tanto al compararla con la coronariografía convencional (68%)⁴, como con la reserva fraccional de flujo (FFR invasivo) (39-43%)^5,6, considerados como estándares de referencia anatómico y funcional, respectivamente, para establecer el grado de estenosis coronaria y su significado funcional. La reserva fraccional de flujo (FFR) es un índice fisiológico intracoronario invasivo que permite evaluar la severidad funcional de la estenosis coronaria mediante el cálculo de la relación entre la presión coronaria distal y la presión coronaria proximal estimada tras introducir una guía de presión a través de una lesión estenótica bajo máxima hiperemia obtenida con un fármaco vasodilatador. Por tanto, ante lesiones con estenosis de gravedad intermedia en TCC (reducción del 30-90% del diámetro de la luz del vaso), en las guías de práctica clínica se recomienda solicitar exploraciones complementarias para determinar su significado hemodinámico⁷, entre las que se incluye la estimación de la FFR derivada de la TCC (FFRCT).

El cálculo de FFRCT tradicionalmente se ha realizado mediante una combinación de imágenes de TCC y simulaciones computacionales avanzadas que utilizan principios de dinámica de fluidos computacional (computational fluid dynamics [CFD]). Para este cálculo, las imágenes de TCC se procesan para generar un modelo tridimensional de las arterias coronarias, que incluye la geometría específica de las arterias. A partir del modelo 3D, se aplican principios de CFD para simular el flujo de la sangre a través de las arterias, incluyendo una estimación de la viscosidad de la sangre, la incorporación de las propiedades de las paredes arteriales y las resistencias periféricas y la modelización del flujo pulsátil. Las simulaciones incluyen el cálculo del flujo sanguíneo bajo condiciones de hiperemia simulada, similar al efecto que se lograría con fármacos vasodilatadores en un estudio invasivo. De manera similar al FFR invasivo, el FFRCT calcula la relación entre la presión distal y la presión proximal a la estenosis para determinar su significado funcional⁸. Diversos estudios han demostrado que el FFRCT posee una buena concordancia con el FFR invasivo⁹, que aumenta el rendimiento diagnóstico de la TCC¹⁰, que puede reducir el número de cateterismos innecesarios¹¹ y que posee, por sí mismo, valor pronóstico¹².

Más recientemente se ha desarrollado un nuevo software, en el que el método de cálculo del FFRCT reemplaza la resolución de ecuaciones matemáticas complejas por un algoritmo de aprendizaje profundo (deep learning) desarrollado para correlacionar la representación de la geometría coronaria con variaciones posteriores de la distribución de la presión intracoronaria específica del paciente¹³. Una de las ventajas más importantes de este enfoque es que permite obtener unos resultados superponibles a los del algoritmo de CFD, pero un tiempo de procesamiento mucho más corto (de minutos frente a horas)^13,14.

Este trabajo de realizó con el objetivo de evaluar el rendimiento diagnóstico de este nuevo método de cálculo de FFRCT basado en el aprendizaje automático en una cohorte retrospectiva de pacientes de un hospital nacional terciario.

Material y métodos

Pacientes

Se realizó un análisis retrospectivo de las TCC llevadas a cabo entre septiembre de 2017 y febrero de 2024. Se incluyeron pacientes con al menos un 50% de reducción del diámetro de la luz en un vaso coronario epicárdico en TCC (CAD-RADS ≥ 3) y que fueron estudiados mediante coronariografía convencional en un periodo inferior a 1 mes. Se excluyeron del estudio los pacientes con estenosis de menor gravedad (CAD-RADS < 3) o con oclusión del vaso (CAD-RADS 5), los pacientes con procedimientos de revascularización coronaria previa (stent o injertos aortocoronarios) y en quienes no se llevó a cabo la coronariografía convencional, o esta se realizó en otro centro o en un intervalo de tiempo superior al mes de la TCC. También se excluyeron del estudio los pacientes con TCC de baja calidad en los que no se pudo obtener el valor de FFRCT.

El trabajo se llevó a cabo con conformidad al Real Decreto 957/2020 y la declaración de Helsinki y fue aprobado por el comité de ética e investigación de nuestro centro (CEI 2024.001), quien, dada la naturaleza retrospectiva del estudio, no requirió un consentimiento informado específico. No obstante, se comprobó que los pacientes incluidos en nuestra cohorte habían proporcionado su consentimiento para permitir el uso de su información para fines de investigación, que se solicita a todos los sujetos que reciben atención médica en nuestro hospital.

TCC

Todas las TCC se realizaron en un equipo de TC de doble fuente de tercera generación (SOMATOM Force, Siemens Healthineers, Forchheim, Alemania).

La TCC se adquirió de forma convencional, en sentido craneocaudal y en un rango que se extendía desde la carina traqueal hasta la cúpula del diafragma. Se optó por una adquisición en modo prospectivo o retrospectivo según fuera la variabilidad del ritmo cardíaco. Los estudios se realizaron con un protocolo de inyección trifásico, tras la administración de 50-70 ml de medio de contraste yodado puro (Iohexol, Omnipaque®, 300 mg Iodo/ml, GE Healthcare Bio-Sciences, S.A.U.) seguido de un volumen constante de 50 ml de una mezcla de solución salina al 70%:30% y de una inyección final de 50 ml de solución salina pura, a 5 ml/s, a través de una vena antecubital derecha y utilizando un inyector de potencia de doble cabezal (CT Stellant, Medrad Inc. Indianola, EE.UU.).

Para cada individuo se reconstruyó automáticamente la mejor diástole y/o sístole y se obtuvieron reconstrucciones adicionales con incrementos del 5% en la ventana de dosis de radiación máxima. Las imágenes se reconstruyeron con un grosor de corte de 0,6 mm e incremento de 0,4 mm, algoritmo de reconstrucción iterativa (advanced modeled iterative reconstruction [ADMIRE]), nivel 3, filtro de reconstrucción específico (Bv40) y campo de visión ajustado al corazón.

Las imágenes se guardaron en el archivo digital de nuestro centro (Picture Archiving and Communication System [PACS]) y se transfirieron a una estación de trabajo equipada con un software de posprocesamiento cardíaco específico (Syngo.via, Siemens Healthineers).

Interpretación de la TCC

Dos radiólogos (con 3 y 20 años de experiencia en TC cardíaca) interpretaron los estudios utilizando imágenes axiales, reconstrucciones multiplanares (MPR) y MPR curvas, de forma consensuada. El árbol coronario se analizó siguiendo la clasificación de 16 segmentos proporcionada por la American Heart Association (AHA)¹⁵. Los segmentos coronarios de < 1 mm de diámetro fueron excluidos del análisis.

Los estudios se interpretaron siguiendo las pautas del Coronary Artery Disease Reporting and Data System (CAD-RADS)¹⁶: CAD-RADS 0 (estenosis coronaria del 0%), CAD-RADS 1 (estenosis coronaria del 1-24%), CAD-RADS 2 (estenosis coronaria del 25-49%), CAD-RADS 3 (estenosis coronaria del 50-69%), CAD-RADS 4A (estenosis coronaria del 70-99%), CAD-RADS 4B (estenosis del tronco principal izquierdo > 50% o estenosis del 70-99% de 3 vasos), CAD-RADS 5 (estenosis del 100%, oclusión total), CAD-RADS N (estudio no diagnóstico).

La estenosis en la TCC se registró en una escala ordinal y se dicotomizó con los umbrales de ≥ 50%.

Coronariografía convencional

La coronariografía invasiva se llevó a cabo siguiendo el procedimiento habitual. Se consideró un resultado positivo de la prueba la presencia de estenosis ≥ 70% del diámetro de la luz del vaso o la estenosis < 70% con valor de FFR < 0,80. Por el contrario, el resultado de la coronariografía invasiva se consideró negativo si la estenosis coronaria era < 70% y el valor de FFR ≥ 0,80. El FFR invasivo se realizó únicamente en las estenosis < 70% por coronariografía convencional que planteaban dudas diagnósticas.

FFRCT

Los valores de FFRCT se calcularon utilizando un software comercialmente disponible (DEEPVESSEL FFR, Keya Medical Technology Inc., Shenzhen, China, comercializado por Kanbai Tech), basado en métodos de aprendizaje automático (machine learning) y entrenado utilizando un marco de aprendizaje profundo (deep learning). Los detalles del algoritmo de FFRCT se han descrito en trabajos previos^13,17. Tras ser anonimizados, los estudios fueron enviados al laboratorio central de la empresa, que realizó el cálculo de FFRCT de manera cegada a los resultados de la coronariografía convencional. Los valores de FFRCT se obtuvieron 20 mm distal a la estenosis. Para lesiones múltiples del mismo vaso, se registró la lesión con el valor de FFRCT más bajo. Las mediciones de FFRCT se registraron en una escala continua y se dicotomizaron con un umbral de 0,80. Los valores < 0,80 se consideraron positivos.

Análisis estadístico

Los datos cuantitativos se presentan como media y desviación estándar (DE). Los datos categóricos se describen mediante valores absolutos y porcentajes. La distribución normal de los datos se confirmó con la prueba de Kolmogorov-Smirnov. Se calcularon la sensibilidad, la especificidad, los valores predictivos positivos y negativos y la exactitud para los datos de TCC y FFRCT de manera aislada, y de la interpretación combinada de TCC + FFRCT respecto a la coronariografía convencional como estándar de referencia. La discriminación se cuantificó utilizando el área bajo la curva (AUC) receiver operating characteristic (ROC), y las AUC se compararon utilizando el método de DeLong et al.¹⁸. El análisis de los datos se realizó con los programas estadísticos SPSS para Windows (versión 20.0, Armonk, Nueva York: IBM Corp) y Medcalc (versión 9.3.0.0. MedCalc Software; Mariakerke, Bélgica). Los valores de p < 0,05 se consideraron como estadísticamente significativos.

Resultados

Pacientes

De los 86 pacientes incluidos inicialmente en el estudio, se excluyeron 5 por presentar imágenes de TCC de baja calidad, 3 porque se comprobó que no tenían coronariografía invasiva o esta había sido realizada más de 1 mes posterior a la TCC, 2 por ser dos entradas repetidas en la base de datos, 2 por presentar estenosis < 50% y 1 porque tenía stents coronarios. En total, por tanto, se analizaron 73 pacientes y 219 vasos. El diagrama de flujo que incluye a los pacientes incluidos en este estudio se muestra en la figura 1.

Figura 1.

Diagrama de flujo de los pacientes incluidos en el estudio.

TCC: tomografía computarizada de arterias coronarias.

La mayoría de los sujetos fueron varones (78,1%), con una edad media de 66,4 ± 9,9 años. Todos los pacientes se encontraban en ritmo sinusal en el momento de la exploración. Las características demográficas y los factores de riesgo cardiovascular de los pacientes a fecha del estudio se resumen en la tabla 1.

Tabla 1.

Características demográficas y factores de riesgo cardiovascular

Variables	Valor
Género (n, hombre/mujer) (%)	57/16 (78,1%/21,9%)
Edad (años)	66,4 ± 9,9
Peso (kg)	80,7 ± 16,2
Talla (m)	1,7 ± 0,1
IMC (kg/m^2)	27,3 ± 4,3
SC (m^2)	1,9 ± 0,2
Frecuencia cardíaca (lpm)	67 ± 12,2
Factores de riesgo cardiovascular (n, %)
Fumador/no-fumador/exfumador	13/28/32 (17,8%/38,4%/43,8%)
Hipertensión arterial	50 (68,5%)
Dislipemia	52 (71,2%)
Diabetes mellitus	14 (19,2%)
EPOC	1 (1,4%)
SAOS	11 (15,3%)
Hiperuricemia	16 (21,9%)
Antecedentes familiares de enfermedad coronaria	34 (46,6%)

EPOC: enfermedad pulmonar obstructiva crónica; IMC: índice de masa corporal; lpm: latidos por minuto; SAOS: síndrome de apnea obstructiva del sueño; SC: superficie corporal.

Análisis por vaso

En TCC, 102 (46,6%) vasos presentaron estenosis ≥ 50%. Se observó un valor de FFRCT < 0,8 en 62 (28,3%) vasos. En la coronariografía convencional, 67 (30,6%) vasos presentaron un resultado positivo (63 pacientes mostraron estenosis coronaria ≥ 70% y 4 presentaron estenosis < 70% con FFR < 0,80).

Al combinar la lectura TCC + FFRCT para estenosis ≥ 50% en TCC se obtuvieron 61 verdaderos positivos (27,9%), 138 verdaderos negativos (63%), 14 falsos positivos (6,4%) y 6 falsos negativos (2,7%), respecto a la coronariografía convencional. La sensibilidad, la especificidad, los valores predictivos y la exactitud diagnóstica de la TCC, FFRCT y TCC + FFRCT frente a la coronariografía convencional se presentan en la tabla 2. En las figuras 2 y 3 se muestran ejemplos representativos de estenosis coronaria significativa por TCC (estenosis ≥ 50%) y su correlación con FFRCT y coronariografía convencional.

Tabla 2.

Precisión diagnóstica de la tomografía computarizada de arterias coronarias (TCC), de la reserva fraccional de flujo por tomografía computarizada (FFRCT) y de la combinación TCC + FFRCT en estenosis coronarias ≥ 50% por TCC respecto a la coronariografía convencional. Análisis por vaso

	Sensibilidad (%)	Especificidad (%)	Valor predictivo positivo (%)	Valor predictivo negativo (%)	Exactitud (%)
TCC	95,5 (87,5-99,1)	75 (67,3-81,7)	62,7 (56-69)	97,4 (92,6-99,1)	81,3 (75,5-86,2)
FFRCT	67,2 (54,6-78,1)	88,8 (82,7-93,3)	72,6 (62,1-81)	85,9 (81,3-89,7)	82,2 (76,5-87)
TCC + FFRCT	91 (81,5-96,6)	90,8 (85-94,9)	81,3 (72,4-87,8)	95,8 (91,4-98)	90,9 (86,2-94,3)

FFRCT: reserva fraccional de flujo por tomografía computarizada; TCC: tomografía computarizada de arterias coronarias.

Los datos se presentan con sus intervalos de confianza al 95% entre paréntesis.

Figura 2.

Coronariografía por tomografía computarizada (TCC) en un varón exfumador de 50 años con antecedente de hipertensión arterial y dislipemia en tratamiento que acude por dolor torácico atípico. A) Reconstrucción planar curva de la arteria coronaria descendente anterior. B) Reconstrucción volumétrica del árbol coronario con cálculo de FFRCT. C) Coronariografía convencional. La TCC puso de manifiesto una estenosis del 50-69% en el segmento medio de la arteria coronaria descendente anterior (punta de flecha). En dicha localización se estimó un FFRCT de 0,76 (positivo). La coronariografía convencional confirmó la presencia de la estenosis y se colocó un stent.

Figura 3.

Tomografía computarizada de arterias coronarias (TCC) en un varón de 79 años que acude por disnea con sospecha de equivalente anginoso. A) Reconstrucción cinemática. B) Reconstrucción planar curva de la arteria coronaria derecha. C) Reconstrucción volumétrica del árbol coronario con cálculo de FFRCT. D) Coronariografía convencional. La TCC puso de manifiesto una estenosis del 70-99% en el segmento proximal de la arteria coronaria derecha (punta de flecha). En dicha localización se estimó un FFRCT de 0,69 (positivo). La coronariografía convencional confirmó la presencia de la estenosis y se colocó un stent.

Respecto a la coronariografía convencional, el área bajo la curva ROC fue de 0,85 (IC 95%: 0,80-0,90) para TCC ≥ 50%, de 0,78 (IC 95%: 0,71-0,85) para FFRCT y de 0,91 (IC 95%: 0,86-0,96) para TCC + FFRCT (fig. 4). La comparación de las curvas ROC demostró diferencias estadísticamente significativas para TCC vs TCC + FFRCT (p = 0,03) y para FFRCT vs TCC + FFRCT (p = 0,007).

Figura 4.

Comparación del área bajo la curva Receiver Operating Characteristic (ROC) del rendimiento diagnóstico de la tomografía computarizada de arterias coronarias (TCC), reserva fraccional de flujo por tomografía computarizada (FFRCT) y de la valoración combinada de TCC + FFRCT para detectar estenosis coronaria ≥ 50% respecto a la coronariografía convencional. Análisis por vaso.

Análisis por paciente

En el análisis por paciente, en TCC, 51 (69,9%) pacientes presentaron estenosis ≥ 50%. Se observó un valor de FFRCT < 0,8 en 46 (63%) pacientes. La coronariografía convencional fue positiva en 54 (73,9%) pacientes.

La lectura combinada de CTCTCC + FFRCT para estenosis ≥ 50% en TCC mostró 51 verdaderos positivos (69,9%), 16 verdaderos negativos (21,9%), 3 falsos positivos (4,1%) y 3 falsos negativos (4,1%). La sensibilidad, la especificidad, los valores predictivos y la exactitud diagnóstica de la TCC, FFRCT y TCC + FFRCT frente a la coronariografía convencional se muestran en la tabla 3. Destaca un aumento en el valor predictivo positivo y en la exactitud de la prueba al realizar la lectura combinada TCC + FFRCT frente a la interpretación aislada de TCC o del FFRCT respecto a la coronariografía convencional.

Tabla 3.

Precisión diagnóstica de la tomografía computarizada de arterias coronarias (TCC), de la reserva fraccional de flujo por tomografía computarizada (FFRCT) y de la combinación TCC + FFRCT en estenosis coronarias ≥ 50% por TCC respecto a la coronariografía convencional. Análisis por paciente

	Sensibilidad (%)	Especificidad (%)	Valor predictivo positivo (%)	Valor predictivo negativo (%)	Exactitud (%)
TCC	94,4 (84,6-98,8)	68,4 (43,4-87,4)	89,5 (81,4-94,3)	81,2 (58-93,1)	87,7 (77,9-94,2)
FFRCT	85,2 (72,9-93,4)	73,7 (48,8-90,8)	90,2 (81,1-95,2)	63,6 (46,6-77,8)	82,2 (71,5-90,2)
TCC + FFRCT	94,4 (84,6-98,8)	84,2 (60,4-96,6)	94,4 (85,7-97,9)	84,2 (63,6-94,2)	91,8 (82,9-96,9)

FFRCT: reserva fraccional de flujo por tomografía computarizada; TCC: tomografía computarizada de arterias coronarias.

Los datos se presentan con sus intervalos de confianza al 95% entre paréntesis.

Respecto a la coronariografía convencional, el área bajo la curva ROC fue de 0,81 (IC 95%: 0,68-0,95) para TCC ≥ 50%, de 0,79 (IC 95%: 0,67-0,92) para FFRCT y de 0,89 (IC 95%: 0,79-0,99) para TCC + FFRCT. La comparación de las curvas ROC demostró diferencias estadísticamente significativas en TCC vs TCC + FFRCT (p = 0,005) y en FFRCT vs TCC + FFRCT (p = 0,002) (fig. 5).

Figura 5.

Comparación del área bajo la curva Receiver Operating Characteristic (ROC) del rendimiento diagnóstico de la tomografía computarizada de arterias coronarias (TCC), reserva fraccional de flujo por tomografía computarizada (FFRCT) y de la valoración combinada de TCC + FFRCT para detectar estenosis coronaria ≥ 50% respecto a la coronariografía convencional. Análisis por paciente.

Discusión

El principal hallazgo de este estudio es que la interpretación combinada de TCC + FFRCT proporciona mayor rendimiento diagnóstico que la lectura aislada de TCC o de FFRCT para detectar enfermedad coronaria significativa.

La TCC se ha convertido en el estándar de referencia no invasivo para estudiar la anatomía coronaria y descartar enfermedad significativa. No obstante, su relativa baja especificidad y valor predictivo positivo han llevado a que se desarrollen estrategias adicionales que permitan incrementar la precisión diagnóstica de la prueba⁵, como son el FFRCT y la perfusión miocárdica de estrés por TC. Ambas modalidades poseen la ventaja potencial de demostrar el significado funcional de la estenosis coronaria empleando la misma tecnología⁷. El análisis del FFRCT se realiza sobre las propias imágenes de TCC, por lo que, a diferencia de la perfusión miocárdica de estrés por TC, no requiere radiación ni contraste adicional.

El interés en el FFRCT nace de estudios como el Fractional Flow Reserve versus Angiography for Multivessel Evaluation (FAME), que confirman que el FFR debe considerarse como estándar de referencia para determinar el significado funcional de la estenosis coronaria¹⁹. Como consecuencia, en la última década se ha investigado en la posibilidad de estimar de forma computacional el FFR invasivo tras aplicar supuestos matemáticos y físicos a las imágenes de TCC. Cabe señalar que la gran mayoría de estudios sobre FFRCT publicados hasta la fecha se han llevado a cabo con un algoritmo concreto, basado en la CFD²⁰. Estos estudios han comparado la precisión del software respecto a la FFR convencional^15,16 y han evaluado su valor en el seguimiento de dichas cohortes¹⁰. Este método depende de la calidad de los modelos computacionales subyacentes y de análisis complejos que implican un tiempo de cálculo prolongado²¹. En el trabajo que presentamos empleamos un software distinto, basado en un algoritmo de aprendizaje profundo. La ventaja más importante del enfoque basado en el aprendizaje automático es que permite obtener unos resultados superponibles a los del algoritmo de CFD, pero un tiempo de procesamiento mucho más corto (de minutos frente a horas)^13,14. El método evaluado en este trabajo requiere, no obstante, enviar las imágenes a un laboratorio central, por lo que todavía no se puede realizar en una estación de trabajo del propio hospital.

Desde un punto de vista clínico, se ha descrito que el mayor beneficio del FFRCT es que permite reducir el número de falsos positivos de TCC, de manera que incrementa su capacidad discriminatoria para identificar lesiones causantes de isquemia. En nuestro caso, observamos que la TCC presentó una especificidad del 75% para detectar estenosis coronaria ≥ 50%, siendo esta del 88,8% para el FFRCT, observación que se encuentra en la línea de los estudios publicados^22,23. De acuerdo con nuestros resultados, también consideramos que, al igual que la valoración del FFR se hace de forma conjunta con la coronariografía convencional, la interpretación del FFRCT se debe integrar con la TCC. Con esto se consigue incrementar el rendimiento diagnóstico de ambas pruebas y, por tanto, su utilidad clínica. Tanto en el análisis por vaso como en el análisis por paciente observamos que la interpretación combinada TCC + FFRCT incrementó la especificidad, el valor predictivo positivo y la exactitud de la prueba respecto a la lectura aislada de la TCC o la FFRCT. El análisis de las curvas ROC también demostró un aumento del área bajo la curva al comparar la interpretación conjunta frente a la aislada. Pontone et al.²⁴ describieron resultados similares a los nuestros. Estos autores observaron que la especificidad aumentaba del 76% al 94% y la exactitud, del 82% al 92% al comparar la lectura aislada de TCC frente a la combinación de TCC + FFRCT, respectivamente. En el trabajo del grupo italiano, el área bajo la curva ROC para detectar estenosis limitante de flujo fue de 0,89 para TCC y de 0,99 para TCC + FFRCT en el análisis por vaso, similar al 0,85 y al 0,91 observados en nuestra cohorte, respectivamente. En otros trabajos que compararon sistemas de FFRCT basados en el aprendizaje automático observaron resultados similares, confirmándose que el rendimiento de la TCC era superior al añadir el cálculo del FFRCT^14,25.

Este estudio posee varias limitaciones. El número de pacientes incluido fue relativamente pequeño. El análisis se llevó a cabo de manera retrospectiva en una cohorte seleccionada de pacientes con estenosis coronaria ≥ 50% en TCC y a quienes se realizó coronariografía convencional. Por tanto, no es posible conocer el impacto clínico del algoritmo de FFRCT evaluado en pacientes con estenosis no significativas o en aquellos tratados de forma conservadora. Es posible que estenosis < 50% causen isquemia miocárdica²⁶. Se excluyeron del estudio 5 pacientes por presentar imágenes de TCC de baja calidad y 1 paciente por ser portador de stents coronarios. Dado que el cálculo del FFRCT se basa en un modelo anatómico y que requiere una delimitación precisa de los contornos vasculares, los estudios de mala calidad, los elementos metálicos, como los stent coronarios, o la calcificación coronaria importante determinan la aplicabilidad del software²⁷. La interpretación de los estudios de TCC se realizó de forma consensuada. Por tanto, no se pudo evaluar la concordancia interobservador. Se utilizó, no obstante, el sistema CAD-RADS para estandarizar el informe y facilitar la interpretación de los resultados. Por último, en este trabajo se analizó el valor de TCC y FFRCT de manera aislada y de la lectura combinada de ambos métodos para diagnosticar enfermedad coronaria significativa. Estudios recientes también subrayan la utilidad del FFRCT en el manejo clínico²⁸ y en la planificación terapéutica²⁹ del paciente y destacan su valor pronóstico³⁰, aspectos que no fueron evaluados en nuestro trabajo.

Como conclusión, la interpretación combinada de TCC + FFRCT con un software basado en el aprendizaje profundo permite incrementar el rendimiento diagnóstico de la TCC y FFRCT aisladas en pacientes con estenosis coronaria significativa. Es necesario validar estos resultados en una cohorte que incluya un mayor número de pacientes y en pacientes más representativos de la práctica clínica diaria. Estudios prospectivos también podrán establecer su valor pronóstico.

Financiación

La presente investigación no ha recibido ayudas específicas provenientes de agencias del sector público, sector comercial o entidades sin ánimo de lucro.

Contribución de los autores

• 1.

  Responsable de la integridad del estudio: Gorka Bastarrika, Ariana Álvarez Acedo, Ana Ezponda.

• 2.

  Concepción del estudio: Gorka Bastarrika, Ana Ezponda.

• 3.

  Diseño del estudio: Gorka Bastarrika, Ariana Álvarez Acedo, Ana Ezponda.

• 4.

  Obtención de los datos: Gorka Bastarrika, Ariana Álvarez Acedo, Ana Ezponda, Amaia Ochoa González, Manuel R. López de la Torre, Fanny M. Caballeros Lam, Daniel A. Zambrano Andrade, Rafael J. Ruiz Salmerón.

• 5.

  Análisis e interpretación de los datos: Gorka Bastarrika, Ariana Álvarez Acedo, Ana Ezponda, Manuel R. López de la Torre, Fanny M. Caballeros Lam, Amaia Ochoa González.

• 6.

  Tratamiento estadístico: Gorka Bastarrika, Ana Ezponda.

• 7.

  Búsqueda bibliográfica: Gorka Bastarrika, Ariana Álvarez Acedo, Ana Ezponda, Amaia Ochoa González, Manuel R. López de la Torre, Fanny M. Caballeros Lam, Daniel A. Zambrano Andrade, Rafael J. Ruiz Salmerón.

• 8.

  Redacción del trabajo: Gorka Bastarrika, Ana Ezponda, Manuel R. López de la Torre.

• 9.

  Revisión crítica del manuscrito con aportaciones intelectualmente relevantes: Gorka Bastarrika, Ana Ezponda, Manuel R. López de la Torre, Fanny M. Caballeros Lam, Amaia Ochoa González, Ariana Álvarez Acedo, Rafael J. Ruiz Salmerón

• 10.

  Aprobación de la versión final: todos los autores de este artículo han leído y aprueban la versión final del artículo.

Todos los autores ceden los derechos de autor a la revista Radiología, que será propietaria de todo el material remitido para su publicación.

Se trata de un trabajo enviado exclusivamente a la revista Radiología, en el que no se utiliza ningún material proveniente de alguna publicación previa.

Conflicto de intereses

Gorka Bastarrika es speaker para General Electric, Siemens Healthineers, Bayer, Kanbai Tech; participa en advisory boards de Siemens Healthineers, Guerbet, Median Technologies; ha recibido becas de investigación institucional de Siemens Healthineers, Guerbet.

El resto de los autores no declaran ningún conflicto de intereses.