为探讨通过机器学习（ML）对冠脉CT血管造影（CCTA）临床数据进行整合是否能够预测可疑冠状动脉疾病（CAD）患者的5年临床结局，研究者美国德斯-西奈医疗中心的M. Motwani等人从CONFIRM注册登记研究中无已知CAD、行CCTA检查且有5年临床随访结局数据的10030例患者（平均年龄58±13岁，男性56例）的数据中，收集到44项CCTA参数及25项临床参数用于ML，其中包括节段狭窄积分（SSS）、节段累及积分（SIS）、改良杜克指数（DI）、无钙化节段的数量、混合或钙化斑块、年龄、性别、心血管危险因素等。ML可采用自动选择功能对所获取的信息进行排序，采用高集成算法及10-折交叉验证法进行建模。

　　分析发现，5年随访期间，共计745例患者死亡，991例发生主要不良心脏事件（MACE）。与Framingham风险评分（FRS）或CCTA数据相比，ML对5年全因死亡率、MACE具有更高的预测价值。进一步分析发现，与FRS相比，SSS、SIS及DI等所有能够反映严重程度的CCTA指标均能更好地预测MACE的发生（P<0.001），SSS及SIS还能更好地预测患者的全因死亡率（P<0.05）；与FRS相比，ML对患者5年全因死亡率进行风险分层（<5%、5%~10%及≥10%）的效果更好（NRI=0.41，P<0.001）。

　　综上可见，与单纯根据FRS及CCTA数据相比，结合患者的临床及CCTA数据进行ML能更好地预测可疑CAD患者得5年全因死亡率及MACE。