Background

 Invasive coronary angiography and non-invasive viability testing are the cornerstones of diagnosing and managing ischemic left ventricular dysfunction. At present there is no single test which serves both needs but, if developed, could revolutionise investigation of this condition. Coronary wave intensity analysis (cWIA) interrogates both contractility and microvascular physiology of the subtended myocardium and therefore has the potential to fulfil this goal.ObjectivesWe hypothesised that cWIA measured during coronary angiography would predict functional recovery with a similar accuracy to late gadolinium enhanced cardiac magnetic resonance imaging (LGE-CMR). 

Methods

 Patients with a left ventricular ejection fraction ≤ 40% and extensive coronary disease were enrolled. cWIA, fractional flow reserve and microvascular resistance were assessed with a simultaneous coronary Doppler and pressure-sensing guidewire during cardiac catheterisation at rest, during hyperaemia and during low-dose dobutamine stress. Viability was assessed using LGE-CMR for scar burden. Regional left ventricular function was assessed at baseline and 6-month follow up after optimisation of medical therapy +/- revascularisation, using transthoracic echocardiography. The primary outcome was regional functional recovery. 

Results

 Forty participants underwent baseline physiology, LGE-CMR and echocardiography and thirty had echocardiography at 6 months (table 1); 21/42 territories demonstrated functional recovery. Resting backward compression wave energy was significantly greater in recovering than non-recovering territories (-5240 ± 3772 vs. -1873 ± 1605 W.m-2.s-1, p = 0.099, figure 1), and had comparable diagnostic accuracy to CMR (area under the curve 0.812 vs. 0.757, p = 0.649, figure 2); a threshold of -2500 W.m2.s-1 had 86% sensitivity and 76% specificity at predicting recovery. Backward expansion wave energy did not predict recovery. FFR was numerically higher in recovering territories (0.81 ± 0.17 vs. 0.71 ± 0.16, p = 0.058), whilst hyperaemic microvascular resistance did not differentiate recovering from non-recovering territories (1.97 ± 0.73 vs. 2.29 ± 1.00, p = 0.287). The likelihood of functional recovery was similar in revascularised and non-revascularised territories (15/29 vs. 6/13 respectively, p = 0.739). Low-dose dobutamine stress increased the energy of all waves, but did not improve the accuracy of cWIA in predicting recovery. In a regression model, resting backward compression wave energy and optimisation of medical therapy predicted functional recovery; fractional flow reserve and revascularisation with PCI did not. 

Conclusions

 Backward compression wave energy has similar accuracy to late gadolinium enhanced CMR in the prediction of functional recovery. cWIA has the potential to revolutionise the management of ischaemic left ventricular dysfunction, in a manner analogous to the effect of fractional flow reserve on the management of stable angina. 

Conflict of Interest

 None

Abstract Background Invasive coronary angiography and non-invasive viability testing are the cornerstones of diagnosing and managing ischemic left ventricular dysfunction. At present there is no single test which serves both needs but, if developed, could revolutionise investigation of this condition. Coronary wave intensity analysis (cWIA) interrogates both contractility and microvascular physiology of the subtended myocardium [1,2] and therefore has the potential to fulfil this goal. Objectives We hypothesized that cWIA measured during coronary angiography would predict functional recovery with a similar accuracy to late gadolinium enhanced cardiac magnetic resonance imaging (LGE-CMR). Methods Patients with a left ventricular ejection fraction ≤40% and extensive coronary disease were enrolled. cWIA, fractional flow reserve and microvascular resistance were assessed with a simultaneous coronary Doppler and pressure-sensing guidewire during cardiac catheterization at rest, during hyperaemia and during low-dose dobutamine stress. Viability was assessed using LGE-CMR. Regional left ventricular function was assessed at baseline and 6-month follow up after optimization of medical therapy +/− revascularization, using transthoracic echocardiography. The primary outcome was regional functional recovery. Results Forty participants underwent baseline physiology, LGE-CMR and thirty had echocardiography at baseline and 6 months; 21/42 territories demonstrated functional recovery. Resting backward compression wave energy was significantly greater in recovering than non-recovering territories (−5240±3772 vs. −1873±1605 W m–2 s–1, p=0.099, Figure 1), and had comparable diagnostic accuracy to CMR (area under the curve 0.812 vs. 0.757, p=0.649, Figure 2); a threshold of −2500 W mm–2 s–1 had 86% sensitivity and 76% specificity at predicting recovery. Backward expansion wave energy did not predict recovery. FFR was numerically higher in recovering territories (0.81±0.17 vs. 0.71±0.16, p=0.058), whilst hyperaemic microvascular resistance did not differentiate recovering from non-recovering territories (1.97±0.73 vs. 2.29±1.00, p=0.287). The likelihood of functional recovery was similar in revascularised and non-revascularised territories (15/29 vs. 6/13 respectively, p=0.739). Low-dose dobutamine stress increased the energy of all waves, but did not improve the accuracy of cWIA in predicting recovery. In a regression model, resting backward compression wave energy and optimization of medical therapy predicted functional recovery; fractional flow reserve and hyperemic microvascular resistance did not. Conclusions Backward compression wave energy has similar accuracy to LGE-CMR in the prediction of functional recovery. cWIA has the potential to revolutionise the management of ischaemic left ventricular dysfunction, in a manner analogous to the effect of fractional flow reserve on the management of stable angina. Funding Acknowledgement Type of funding sources: Foundation. Main funding source(s): The British Heart Foundation Clinical Research Training Fellowship

Background

 Current Acute Coronary Syndromes (ACS) rule-out algorithms rely on a combination of clinical assessment and measuring troponin levels. It can take several hours for troponin levels to rise after a myocardial infarction, so initial testing may not show detectable levels. In order to rule out a false negative result, troponin levels are typically tested again several hours later to look for rising values, meaning patients are admitted for observation which has a large resource implication. We aimed to develop a machine learning model to improve early discharge of hospitalised patients at initial assessment. 

Methods

 We trained and tuned a machine learning model (Rapid-RO) using patient data from two separate hospitals to rule-out ACS with simple routine demographic or clinical measurements. The model was then tested for its predictive accuracy in cohorts of patients at four different hospitals from separate time periods using their initial blood tests only. The model was then assessed against troponin threshold guided management as recommended by the European Society of Cardiology clinical guidelines. Patients were classified as having experienced an ACS based on the assigned ICD-10 primary diagnostic codes. 

Results

 The Rapid-RO model was trained and tuned on 38,129 and 20,386 patients respectively. The model primarily used initial troponin levels, complemented by the 10 other most important input variables identified during permutation feature importance: age, C-reactive protein, urea, platelet count, eGFR, white cell count, haemoglobin, heart failure, diabetes, and hypertension. Of the 35,262 patients derived for testing the Rapid-RO model identified 12,037 (35.69%) very low risk patients on top of standard clinical assessment who could have been discharged early, compared with 8,967 (26.58%) identified by a troponin threshold approach alone (p < 0.001), with significantly fewer missed ACS cases (27 (0.22%) vs. 108 (1.20%), p < 0.001) and similarly low observed mortality rates (2 (0.02%) vs. 4 (0.04%) at 30 days). The Rapid-RO model demonstrated a consistently higher rule-out rate for ACS with a lower missed ACS rate across patient subsets, including patients with and without chest pain or Covid-19. 

Conclusion

 The Rapid-RO machine learning model, which uses patient history and initial blood tests, offers a significant advancement in the risk stratification process, presenting a reliable tool for clinicians to rapidly rule out ACS and potentially reduce unnecessary hospital admissions. Its robust performance in diverse patient groups across different time periods, underscores its potential utility in a real-world clinical setting.