EuroPCR 2026 | 机器学习精准预判，功能检测有的放矢：揭秘冠脉生理学评估必要性预测新方法

图 1 蔡中兴博士在EuroPCR 2026现场公布研究结果

以血流储备分数（FFR）、定量血流分数（QFR）为代表的冠脉生理学检测，可较单纯冠脉造影优化病变选择并改善患者预后，已成为精准PCI的重要手段。既往FAME研究与FAVOR III China研究数据均显示仅20%-40%患者存在生理学不一致（即生理学评估指导的PCI 策略与单纯造影指导策略存在差异），其基于造影制定的治疗策略在接受生理学指导后可能发生改变；这类患者是生理学指导PCI的“净获益人群”。因此，此类患者和靶血管是生理学评估产生临床获益的核心载体，术前识别生理学不一致血管，有助于精准判断生理学评估的必要性。本研究旨在采用机器学习方法，预测冠脉血管是否为生理学不一致。

本研究为FAVOR III China 研究事后分析，共纳入5501 条研究血管，按 8:2 比例随机分为训练集（80%）与测试集（20%）。研究终点为：是否为生理学不一致血管，生理学不一致指计划处理的血管QFR>0.80、不处理血管的QFR≤0.80。模型纳入的特征包括定性冠脉造影信息、定量冠脉造影参数、实验室检查、超声左室射血分数、人口学信息等。机器学习建模方法包括：采用惩罚逻辑回归、随机森林、XGBoost、SVM、MLP 等多种机器学习模型建模与验证，筛选最优预测模型。

结果显示，模型模型效能方面，XGBoost模型为最优模型，训练集AUC 0.768、recall 0.710、ACC 0.696；测试集AUC 0.759、recall 0.700、ACC 0.696。校准图显示，模型预测概率与实际风险趋势高度一致。特征重要性方面，排名前 10 位的重要特征均来自造影信息，包括病变狭窄程度、血管名称（LCX 或 RCA）、病变长度、最小管腔直径、分叉病变等。

冠脉生理学不一致可通过基线特征（尤其是造影特征）有效预测，XGBoost 模型为本研究中表现最优的预测模型。该成果有望实现术中快速筛选需行生理学评估的靶血管，让生理学评估更具针对性，在保障临床获益的同时优化医疗资源配置，推动冠脉介入诊疗向智能化、精准化方向升级。