Machine learning analysis of calcifications on CT-scan to predict abdominal aortic aneurysm rupture

Abstract

Historique et Objectif : La littérature est conflictuelle sur le rôle des calcifications aortiques dans la rupture d’anévrisme de l’aorte abdominale (AAA). La prédiction de rupture d’AAA basée sur le sexe et le diamètre est peu précise. Le but de ce projet était donc de déterminer si les calcifications permettent de mieux prédire la rupture d’AAA que le sexe et le diamètre à eux seuls. Méthodologie : Lors de cette étude rétrospective, 80 patients traités pour rupture d’AAA entre Janvier 2001 et Août 2018 ont été appariés à 80 patients non-rompus sur la base du diamètre maximal d’AAA, de l’âge, du sexe et de la présence de contraste lors du scan. La charge et la répartition des calcifications de la paroi aortique ainsi que certaines variables morphologiques d’anévrisme ont été comparées entre les deux groupes par analyse univariée et apprentissage machine. Résultats : L’âge moyen des patients était de 74.0 ± 8.4 ans et 89% étaient des hommes. Les diamètres d’AAA étaient équivalents entre groupes (80.9 ± 17.5 vs 79.0 ± 17.3 mm, p= 0.505). Selon l’analyse univariée, les anévrismes rompus comportaient significativement moins d’agrégats de calcifications (18.0 ± 17.9 vs 25.6 ± 18.9, p=0.010) et étaient moins enclins à avoir un collet (45.0% vs 76.3%, p<0.0001). Les 5 variables les plus importantes délivrées par l’apprentissage machine étaient: collet, antiplaquettaires, nombre de calcifications, distance d’Euler entre calcifications et finalement l’écart-type de la distance d’Euler entre calcifications. Le modèle à 5 variables a produit une aire sous la courbe (AUC) de 0.81 ± 0.02 (sensibilité 83% et spécificité 71%), supérieure à une AUC de 0.67(IC 95%, 0.58-0.77%) (sensibilité 60% et spécificité 77%) obtenues dans une étude antérieure avec une population similaire à celle-ci et ne tenant compte que du sexe et du diamètre. Conclusion : La charge en calcifications des anévrismes rompus était moins bien répartie que celle des non-rompus. Le modèle d’apprentissage machine a mieux prédit la rupture que le modèle basé uniquement sur le diamètre et le sexe.

Background and Purpose: Literature is conflictual regarding the role of aortic calcification in AAA rupture. AAA rupture prediction based on sex and diameter could be improved. The goal of this project was to assess whether aortic calcification could better predict AAA rupture. Methods: In this retrospective study, 80 patients treated for a ruptured AAA between January 2001 and August 2018 were matched with 80 non-ruptured patients based on maximal AAA diameter, age, sex and contrast enhancement status of the CT scan. Calcification load and dispersion, morphologic and clinical variables were compared between both groups using a univariable analysis and machine learning. Results: Mean age of patients was 74.0 ± 8.4 years and 89% were men. AAA diameters were equivalent in both groups (80.9 ± 17.5 vs 79.0 ± 17.3 mm, p= 0.505). Ruptured aneurysms contained a smaller number of calcification chunks than the non-ruptured (18.0 ± 17.9 vs 25.6 ± 18.9, p=0.010) and were less likely to have a proximal neck than the non-ruptured (45.0% vs 76.3%, p<0.0001). In the machine learning analysis, 5 variables were associated to AAA rupture: proximal neck, antiplatelets, calcification number, Euler distance between calcifications and standard deviation of the Euler distance between calcifications. The model including these 5 variables yielded an area under the curve (AUC) of 0.81 ± 0.02 (83% sensitivity and 71% specificity) which was better than a previous study with a similar population reporting a 0.67 AUC (95% CI, 0.58-0.77%) (60% sensitivity and 77% specificity) for sex and diameter only. Conclusion: Ruptured aneurysms were more likely to have their calcification load concentrated in a small number of clusters closer to each other. Our 5-variable model predicted rupture better than the model based on age and sex.