Abstrakti

vatsa-aortan kalkkeutumiset korreloivat vahvasti sepelvaltimoiden kalkkeutumisten kanssa ja voivat ennustaa sydän-ja verisuonitautikuolleisuutta. Selvitimme, ovatko AACs: n koko, muoto ja jakauma yhteydessä kuolleisuuteen ja miten tällaiset ennustemerkit toimivat verrattuna Kauppilan esittelemään huippumoderniin AC24-merkkiin. Menetelmä. 308 postmenopausaaliselle naiselle määritimme AAC: n määrän ja vatsa-aortan prosentuaalisen osuuden leesioiden pinta-alasta, simuloidusta plakin alueesta, paksuudesta, seinämän peittävyydestä ja pituudesta. Analysoimme inter- / intraobserver-toistettavuutta ja kuolleisuuden ennustamiskykyä 8-9 vuoden jälkeen Cox-regressiolla, joka johti riskisuhteisiin (HS). Tulos. Kaikkien merkkiaineiden variaatiokerroin oli alle 25 prosenttia. Vahvimmat yksittäiset ennustajat olivat kalkkeutuneen plakin kalkkeutumisten määrä () ja simuloitu pinta-alaprosentti (), ja toisin kuin AC24 (), ne mahdollistivat kuolleisuuden ennustamisen myös perinteisten riskitekijöiden mukaan sovittamisen jälkeen. Yhdistetyssä Cox-regressiomallissa vahvimmat toisiaan täydentävät ennustajat olivat kalkkeutumien lukumäärä () ja pinta-alaprosentti (). Päätelmä. Röntgenkuvista mitatut AAC: n morfometriset markkerit voivat olla hyödyllinen väline CVD-kuolleisuusriskin seulonnassa ja seurannassa.

1. Johdanto

sydän-ja verisuonitaudit (CVDs) ovat yleisin kuolinsyy Euroopassa ja Yhdysvalloissa . Näin siitä huolimatta, että yleisesti hyväksytään, että terveelliset elämäntavat ja riskitekijöiden hallinta voivat estää CVD: n kehittymisen . Lisäksi kahdella kolmasosalla naisista, jotka kuolevat äkillisesti CVD: hen, ei ole aiemmin tunnistettuja oireita . Siksi on tärkeää löytää tehokkaita ja laajasti sovellettavia sydän-ja verisuoniriskien indikaattoreita, jotka voivat saada aikaan oikea-aikaisia toimenpiteitä.

nykyiset ateroskleroosin kuvantamistavat ovat röntgenkuvat, ultraääni, tietokonetomografia (CT) ja magneettikuvaus (MK) . Ultraäänellä visualisoidaan kaulavaltimon intima-median paksuus (IMT), koska kaulavaltimon IMT: n on osoitettu liittyvän ateroskleroosiin ja on siten merkkiaine CVD: lle. Multislice CT pystyy kvantifioimaan sepelvaltimon kalkkeutumista (CAC) hyvällä toistettavuudella , joka tarjoaa voimakkaan mitta sydän-ja verisuonitautien riski riippumatta, ja mahdollisesti tehokkaampi kuin perinteiset riskitekijät, kuten tupakointi . Suhteellisen suuren ionisoivalle säteilylle altistumisen vuoksi kliinistä TT-annosta ei kuitenkaan ole suositeltavaa käyttää laajamittaisessa seulonnassa, vaan ainoastaan välivaiheen riskipotilaiden interventiohoidossa . Pieniannoksista TT: tä sen sijaan voitaisiin käyttää sepelvaltimoiden kalkkeutumisen arviointiin seulontatarkoituksiin , ja vain sen kustannukset ovat rajoittava tekijä. MRI on noninvasive modaliteetti arvioida ateroskleroosin eri verisuonten vuodetta. MRI-mittauksia kuitenkin haastaa pienempien valtimoiden koko, ja erityisesti sepelvaltimoiden arviointi on vaikeaa sydämen ja hengitysliikkeiden takia. Lisäksi myös magneettikuvauksen kustannustehokkuus seulontatarkoituksiin on vielä todistettava.

vaihtoehtona sepelvaltimoiden tutkimiselle kalkkeutumista varten on vatsa-aortan tutkiminen, koska se on vastoin röntgenkuvien avulla saavutettavia sepelvaltimoita. Vatsa-aortan kalkkeutumiset (AACs) ovat voimakkaita sydän-ja verisuonitauteihin sairastuvuuden ja kuolleisuuden ennustajia , korreloivat voimakkaasti sepelvaltimoiden kalkkeutumisten kanssa ja voivat siten ennustaa sepelvaltimoiden ongelmien riskiä . State of the art menetelmä arvioida CVD riski lannerangan aortan röntgenkuvat on vatsa-aortan kalkkeutumista pisteet (AC24) ehdottama Framingham tutkimusryhmä . Suuri etu on, että tällainen AAC-pisteytys voidaan esimerkiksi postmenopausaalisilla naisilla suorittaa ilman ylimääräistä ionisoivaa säteilyaltistusta tai kustannuksia, koska nämä kuvat ovat helposti saatavilla osteoporoosiseulonnasta .

selvitimme, voitaisiinko edellä kuvatun TT: stä, magneettikuvauksesta tai ultraäänestä saatavien tietojen morfometriset aspektit saada myös tavallisista röntgenkuvista mitatuista AAC: n uusista markkereista. AC24-pisteytyksen puolikvantitatiivisesta luokittelusta johtuen tällaiset markkerit voisivat mahdollisesti olla herkempiä—erityisesti pienempien kalkkeutumien mahdollisen merkityksen tutkimisen kannalta. Tätä varten hahmoteltiin rajoja kalkkeutunut talletusten lannerangan aortan alueella ja määrällisesti määrä kalkkeutunut talletusten sekä prosenttiosuus vatsa-aortan kattaa kalkkeutumisen kannalta alueen, simuloitu-plakin alue, paksuus, seinän kattavuus, ja pituus. Näitä mahdollisia AAC-markkereita arvioitiin tarkkuuden ja niiden kyvyn ennustaa CVD: hen liittyvää kuolleisuutta.

2. Materiaalit ja menetelmät

2.1. Tutkimuspopulaatio

308 naista valittiin perf-monikeskustutkimukseen osallistuneista naisista, jotka tutkittiin radiologisesti vuonna 1992 ja uudelleen vuonna 2001 EPI-seurantatutkimuksessa . Valitsimme ne, joiden ensimmäisen ja toisen klinikkakäynnin väli oli 8-9 vuotta, joiden tiedetään olevan elossa / kuolleisuus, jotka olivat postmenopausaalisia ja joiden lannerangan aortta näkyi yhdellä röntgenkuvalla lähtötilanteessa ja seurannassa. Tiedot kuolleisuudesta saatiin Tanskan terveysministeriön keskusrekisteristä, ja kuolemansyyt ryhmiteltiin kolmeen ryhmään: CVD, syöpä ja muut syyt. Paikallinen eettinen toimikunta hyväksyi tutkimukset, ja potilaat allekirjoittivat tietoon perustuvan suostumuksen lomakkeet.

2, 2. Metaboliset ja fyysiset mittaukset

lähtötilanteessa kerättiin väestötiedot ja CVD: n riskiparametrit, kuten ikä, paino, pituus, painoindeksi (BMI), vyötärön ja lonkan kehät, systolinen ja diastolinen verenpaine (BP), hoidettu hypertensio, hoidettu diabetes, tupakointi, säännöllinen alkoholin ja päivittäisen kahvin nauttiminen sekä viikoittainen kuntoiluaktiivisuus. Verianalysaattorin (Cobas Mira Plus, Roche Diagnostics Systems, Hoffman-La Roche, Basel, Sveitsi) avulla mitattiin paastoglukoosi-ja lipidiprofiili (kokonaiskolesteroli, triglyseridit, LDL-kolesteroli (LDL-kolesteroli), HDL-kolesteroli (HDL-kolesteroli) ja apolipoproteiini (ApoA ja ApoB)).

näiden mittausten perusteella laskettiin yhdistetyt riskimarkkerit, systeeminen koronaaririskin arviointi (Score) ja Framingham score. Pistemäärä on iän, tupakointitilanteen, kokonaiskolesterolin ja systolisen verenpaineen yhdistelmä, kun taas Framinghamin pistemäärä koostuu samoista muuttujista sekä HDL-C: stä ja hypertension hoitotilanteesta.

2, 3. Röntgenanalyysi

lannerangan aortan (L1-L4) sivusuuntaiset röntgenkuvat hankittiin filmille vuosina 1992 ja 2001 , ja digitoitiin vuosina 2007/2008 DosimetryProAdvantage-skannerilla (Vidar, Herndon, USA), joka antoi pikselien kuvatarkkuuden 12-bittisellä harmaalla asteikolla, jonka pikselikoko on . Kolme koulutettua radiologia, joilla ei ollut etukäteen tietoa potilaiden olosuhteista, merkitsivät nikamien nurkka-ja keskikohdat (L1-L4), vastaavat vatsa-aortan seinät ja niiden kalkkeutumiset digitoiduissa kuvissa manuaalisesti. Kolmella radiologilla oli kymmenen, kahdeksan ja viiden vuoden kokemus. He käyttivät radiologisia lukuyksiköitä (Sectra, Linköping, Ruotsi) ja erityisesti tätä tehtävää varten matlabissa (The MathWorks, Natick, USA) toteutettuja huomautusohjelmistoja, joiden avulla he pystyivät muuttamaan kirkkautta ja kontrastia, zoomaamaan sisään ja ulos sekä muokkaamaan ääriviivoja Kuvan 1 mukaisesti.

AC24 rakennettiin projisoimalla AACs vastaavaan aortan seinään. Sitten, aortan osien vieressä kunkin nikama L1-L4 luokiteltiin aste leesion ammatti: 0 ei AAC: n osalta, 1 AAC: n osalta, jonka pinta-ala on alle 1/3 seinästä, jolle ne projisoitiin, 2 AAC: n osalta, jonka pinta-ala on yli 1/3 mutta joka on alle 2/3 projisoinnissa, ja 3 Jos seinän miehitys on vähintään 2/3. Esimerkki AC24 pisteytys voidaan nähdä kuvassa 2. Radiologien antamien AC24-pisteiden lisäksi kalkkeutumien ääriviivoja käytettiin vaihtoehtoisessa tietokonepohjaisessa laskennassa AC24: stä.

kaikille kalkkeutuneille kuville merkinnöistä vastasi yksi kolmesta eri radiologista. Osajoukolle 8 kuvaa, kahden radiologin merkinnät tehtiin kahdesti, jotta voitiin arvioida inter-ja intraobserver-tarkkuutta. Reoutlining tehtiin sokkona aiemmille ääriviivoille ja erotettiin toisistaan noin kuudesta kahdeksaan viikkoa.

2, 4. AAC-markkerit

ehdotetut AAC-markkerit laskettiin automaattisesti radiologin tietokoneavusteisista ääriviivoista, jotka sisälsivät röntgenkuvissa olevia kalkkeutuneita kerrostumia.I) Pinta-alan prosenttiosuus: AACS: n hallussa olevan L1-L4: n vieressä olevan lannerangan aortan alueen prosenttiosuus.(ii) simuloitu pinta-alan prosenttiosuus: yritimme arvioida taustalla olevan ateroskleroottisen tulehduksen kokoa havaitun AACs: n alueelta ja muodosta, koska Röntgenanalyysi voi vain visualisoida AACS: n kalkkeutuneen ytimen. Ateroskleroottisen tulehduksen laajuutta simuloitiin morfologisella laajenemisella, jossa oli säteeltään 200 pikseliä (noin 8,9 mm) ympyränmuotoinen rakenneosa. Rakenneosan koko saatiin parametritutkimuksella aineiston osajoukolla, ja se vahvistettiin biologisesti järkeväksi vertaamalla histologia-ja kuvaanalyysihavaintoihin, joissa arvioitiin kalkkeutunutta plakkia ympäröivän ateroskleroottisen tulehduksen kooksi 3-5-10 mm . Kuvassa 3 on esimerkki tästä tietokonepohjaisesta simulaatiosta, joka koskee koko plakin aluetta. Simuloitu pinta-alan prosenttiosuus on simuloitujen plakkien peittämän lannerangan aortan prosenttiosuus, mukaan lukien sekä kalkkeutunut ydin että simuloitu tulehtunut alue.

(iii) Paksuusprosentti: AACs: n keskimääräinen paksuus aortan seinämää pitkin suhteessa aortan leveyteen.(iv) Seinäprosentti: AACS: n kattaman anteriorisen ja posteriorisen lannerangan aortan seinämän prosenttiosuus.(v) Pituus prosenttiosuus: aortan pituuden murto-osa, jossa AACs oli läsnä missä tahansa asennossa (anterior, posterior tai sisäinen).vi) kalkkeutuneiden esiintymien lukumäärä: kunkin röntgenkuvan L1: n ja L4: n välillä näkyvien erillisten AAC-arvojen lukumäärä.

tutkimme, missä määrin nämä merkkiaineet voitaisiin luotettavasti määrittää röntgenkuvien manuaalisten huomautusten perusteella, ja arvioimme niiden yhteyttä kuolleisuuteen myös silloin, kun niitä on mukautettu metabolisten tai fyysisten merkkiaineiden osalta.

2, 5. Tilastollinen analyysi

Kendallin vastaavuuskerrointa käytettiin arvioimaan radiologien suoraan alkuperäisiin röntgensäteisiin tekemien kalkkeutuneiden kuvien AC24: n ja tietokoneen tekemien AC24: n kuvien yhtymäkohtaa radiologin huomautusten ääriviivojen perusteella.

mittaamaan radiologien manuaalisten huomautusten välistä ja intraobserver – vaihtelua erityisesti tähän tarkoitukseen varatuissa 8 kuvassa, käytimme Jaccard-indeksiä () . Meidän computed suhde alueen tunnistettu calcified kaksi hahmotellaan, jaettuna alueen tunnistettu calcified vähintään yksi ääriviivat: missä ja ovat binary annotations. Jaccard-indeksi on 0, jos sopimusta ei ole, ja 1, jos sopimus on täydellinen. Tyypillisesti coheneilla mitattaisiin ratereiden välistä sopimusta kategorisille kohteille, kuten pikseleille. Tilastoa hallitsee kuitenkin hyvin suuri kalkkeutumattomien pikselien luokka, eikä yksittäisiä pikselien pistemääriä voida pitää tilastollisesti riippumattomina.

radiologin ääriviivoista laskettujen AAC – merkkiaineiden välinen ja intraobserver-vaihtelu analysoitiin 8 kuvasta keskimääräisten variaatiokertoimien (CV) avulla.

yksittäisten AAC-scoringien kuolleisuuden ennustava voima riskisuhteena keskihajonnan muutosta kohti (HR) analysoitiin Cox-regressiolla , jossa kuolinaika oli lopputulosmuuttuja ja eloonjääneet oikein-sensuroitiin. Tämä analyysi tehtiin korjaamattomista markkereista sekä markkereista, jotka on mukautettu kolmella erilaisella biologisten muuttujien joukolla: a) malli, joka sisältää iän, tupakointitilanteen ja triglyseridiarvot, b) pisteet ja c) Framinghamin pisteet. Me säätää yhdistämällä biologiset muuttujat kunkin joukon yhdeksi uudeksi muuttujaksi lineaarinen punnitus niiden-painot johdettu Cox regressio. Tämä uusi muuttuja sisällytettiin sitten toiseen Cox regressiomalliin kuvantamismarkkerille, jota halusimme säätää. Kuvantamisen merkkiaineen tuloksena oleva paino määrittää biologisesti mukautetun ennustetehon.

AAC-markkereiden täydentävyyden analysoimiseksi rakennettiin takaportainen deleetio Cox-regressiomalli, jossa oli kaikki AAC-markkerit. Vähiten merkitseviä markkereita poistettiin peräkkäin, kunnes jäljelle jäi vain merkkiaineita, joilla on merkitsevä arvo (). Näin tunnistettiin yksittäisiä markkereita, jotka täydensivät toisiaan ja antoivat lisätietoja.

3. Tulokset

tiedot koostuivat vuonna 1992 otetuista lähtötilannekuvista 308 koehenkilöltä. Näistä 121 tutkimushenkilöllä ei ollut lähtötilanteessa eikä seurannassa kalkkeutumia. Jäljelle jääneistä 187 koehenkilöstä 52 oli kuollut ennen seurantaa syöpään (), CVD: hen () tai muihin syihin (), ja 135 eloon jääneellä koehenkilöllä oli lähtötilanteessa tai seurannassa eriasteista vatsa-aortan kalkkeutumista. Kaaviokuva tutkimuspopulaatiosta on esitetty kuvassa 4, kun taas yleiskuva fysikaalisista ja metabolisista mittauksista on esitetty taulukossa 1.

Figure 4

A schematic overview of the study population.

radiologin ja atk-pohjaisen AC24: n pisteet 135 kalkkeutuneesta kuvasta olivat erinomaisessa yhteisymmärryksessä (Kendallin , ).

8 kuvan sarjassa, jossa on neljä huomautusta, radiologien AAC–ääriviivojen Keskimääräinen Jaccard–indeksi oli (0, 24-0, 79) intraobserver-muunnelmalle ja (0, 29-0, 73) interobserver-muunnelmalle, esimerkiksi, katso kuva 5. Radiologeilla oli intraobserver–vaihtelu (0, 24–0, 65) ja (0, 38-0, 79). AAC-merkkiaineen tarkkuuden CV-arvot samalla 8 kuvan joukolla olivat välillä 12.5% and 24.9% (Table 2).

(a)

(b)

(c)

(a)
(b)
(c)

Figure 5

An X-ray of a participant in the EPI followup population. (a): an annotation by a radiologist. (b): a second annotation by the same radiologist. (c): an annotation done by another radiologist.

kunkin AAC-merkkiaineen keskiarvot ja vastaavat keskihajonnat on esitetty taulukossa 3. CVD-kuolemien ja syöpäkuolemien ryhmissä keinojen välillä oli selvä ero selviytyjiin verrattuna.

Taulukko 4 osoittaa, että simuloidulla kalkkeutumisprosentilla ja kalkkeutumislukumäärällä (NCD) on suurin yksittäinen CVD-kuolleisuutta ennustava voima (, ja,). Niiden riskisuhde on CVD-death-ryhmässä 2, 0 ja 2, 96 ja 1, 76 ja 2, 44 ja yhdistetyssä CVD/syöpä-death-ryhmässä 1, 68 ja 2, 32 ja 1, 69 ja 2, 28. Kaikki vaarasuhteet poikkeavat merkittävästi yhtenäisyydestä () sekä ennen että jälkeen säätämisen kolmeen eri biologiseen malliin. AC24: n säätämätön yksilöllinen ennusteteho on pienempi (, ). Kun kolmea eri biologista mallia on mukautettu, AC24: n riskisuhteiden merkitys vähenee ja joissakin tapauksissa poistuu, jolloin riskisuhde on 0-1, 66 CVD-kuolemien ryhmässä ja 1, 29-1, 64 CVD-syöpäkuolemien ryhmässä.

seitsemän kuvantamismarkkerin yhdistetyn ennustavan tehon tulokset ovat nähtävissä CVD: n ja CVD / syöpäryhmän osalta taulukossa 5. Yhdistettäessä merkkiaineita Cox-regressiomallissa vain pinta-alaprosentti ja NCD säilyivät merkittävinä (, ).

4. Keskustelu

arvioimme, korreloiko radiologin käsin tekemä AC24: n pisteytys atk-pohjaiseen AC24: n pisteytykseen, joka on johdettu radiologin käsikirjasta, joka käsittelee digitoidun röntgenkuvan kalkkeutumista. Kendallin concordance-kerroin osoitti, että kaksi maalia olivat erinomaisessa yhteisymmärryksessä. Lisäksi olemme arvioineet inter-ja intraobserver vaihtelua manuaalisten huomautusten käyttäen Jaccard indeksi ja kertoimia vaihtelun AAC markkereita, mukaan lukien AC24. Vaikka Jaccard-indeksi osoitti, että hahmoteltujen kalkkeutuneiden esiintymien vaihtelu oli suurta, AC24: n ja muiden ääriviivoihin perustuvien AAC: n markkereiden vaihtelukertoimet olivat suhteellisen pieniä. Nämä tulokset osoittivat, että vaikka yksittäisten muistilaattojen hahmottaminen on haastavaa, merkintöihin perustuvat merkkiaineet antoivat kohtuullisen tarkkoja mittauksia.

8-9 vuotta kestäneen tutkimuksen aikana kuoli 52 ihmistä, joista 20 kuoli CVD: hen liittyviin syihin ja 27 syöpään. Cox-regressiomalleissa havaittiin samanlaisia korrelaatioita CVD: hen ja CVD: hen/syöpäkuolleisuuteen eri merkkiaineiden osalta. Koska syövällä ja CVD: llä on monia päällekkäisiä patogeenisiä tekijöitä, tämä ei ole yllätys. Simuloidulla pinta-alan prosenttiosuudella ja kalkkeutuneiden esiintymien lukumäärällä voitiin yksilöllisesti ennustaa CVD: tä ja CVD: tä/syöpäkuolemaa, ja se sisälsi lisätietoja CVD-kuolleisuudesta myös iän, triglyseridien ja kolesterolin tarkistusten jälkeen sekä PISTEMALLIN ja Framinghamin pisteytyksen. Näin ollen tässä post hoc-tutkimuksessa ne ennustivat CVD-kuolleisuutta riippumatta perinteisistä riskitekijöistä, toisin kuin AC24. Syynä tähän voisi olla se, että AC24 ei tee eroa yksittäisten kalkkeutumien vakavuuden ja leviämisen välillä.

sydäninfarktin aiheuttama kuolemanriski saattaa liittyä aktiivisten plakkien määrään . Plakin kehityksen aikana pienemmät plakit kehittyvät suurempiin monimutkaisiin leesioihin, jotka joko repeävät tai muuttuvat vakaiksi plakeiksi . Pienempien rasvapitoisten plakkien, joiden vaihtuvuus on suuri, on todettu olevan sellaisia, jotka todennäköisimmin repeävät ja aiheuttavat sydäninfarktin . Suuri määrä pienempiä kalkkeutumia voi siis olla merkki suuremmasta repeämäriskistä kuin muutama suuri, vakaa, saman alueen kalkkeutuma. Plakkien eri piirteiden, kuten koon, jakauman ja lukumäärän, mittaustekniikat otetaan osaksi simuloidusta pinta-alan prosenttiosuudesta ja kalkkeutuneiden esiintymien lukumäärästä. Tämä kalkkeutumien määrän korostaminen kokonaiskalsiumrasituksen sijaan saattaa heijastaa haavoittuvuuden näkökohtia, jotka auttavat parantamaan CVD-kuolleisuuden ennustamista, kuten tässä työssä on havaittu.

Cox-regressioyhdistelmämalli osoitti, että yhdistettäessä kaikki AAC-markkerit yhdeksi malliksi ja poistettaessa merkkiaineet, jotka eivät merkittävästi edistä yhdistettyä markkeria, jäljelle jäi vain pinta-alaprosentti ja kalkkeutuneiden esiintymien lukumäärä. Tämä osoittaa, että nämä kaksi AAC-merkkiainetta tarjoavat täydentävää ja erittäin merkittävää tietoa kuolemanriskistä. Pinta-alan prosenttiosuuden ja kalkkeutumien lukumäärän täydentävyys viittaa siihen, että kalkkeutumien koolla ja leviämisellä on molemmilla tärkeä rooli ateroskleroosissa.

otoskoko rajoittaa tätä tutkimusta. Suhteellisen pieni väestö, jossa on vain 20 CVD-kuolemantapausta, etnisyyden ja sukupuolen rajallinen edustus sekä kuolemansyiden sekoitus, voi rajoittaa tuloksiemme yleistettävyyttä. Sen vuoksi esitetyt tulokset on validoitava laajemmissa, riippumattomissa tutkimuksissa. Rajoituksena ehdotetuille markkereille voisi olla manuaalisten merkintöjen kustannukset, mutta kalkkeutuneiden esiintymien merkintöjä on pyritty automatisoimaan .

verrattuna muilla kuvantamistavoilla, kuten kaulavaltimon IMT: llä tai CAC: lla, saatuihin CVD: n merkkiaineisiin standardiröntgenkuvien käytön selkeä etu on laaja-alaisten, pitkäkestoisten osteoporoosiseulontatutkimusten saatavuus . Tällaisia historiatietoja käytettiin esimerkiksi kehitettyjen AAC-merkkiaineiden todentamiseen, ja ne voivat parantaa ymmärrystä CVD-kuolemanriskitekijöistä. AAC-merkkiaineiden kliinistä sovellettavuutta voidaan parantaa, jos samoja röntgenkuvia käytetään osteoporoosin seulonnassa ja CVD-riskinarvioinnissa.

vaikka AC24 tallentaa olennaista tietoa AAC: stä, tulokset osoittavat, että jotkin näistä AAC: n uusista morfometrisistä markkereista voivat tallentaa täydentävää tietoa. Siksi ehdotetut radiografiset AAC-merkkiaineet voivat mahdollistaa CVD-kuolleisuusriskin paremman seulonnan ja seurannan.