CT-FFR: Wie eine neue Technologie die kardiovaskuläre Diagnostik transformieren könnte

Abkürzungen

AUC: Area under the curve

CAD-RADS: Coronary Artery Disease-Reporting and Data System

cCTA: Koronare CT-Angiografie

CT: Computertomografie

CT-FFR: CT basierte Kalkulation der fraktionierten Flussreserve

CT-P: CT-Perfusion

EID: Energie-integrierender Detektor

ESC: Europäische Gesellschaft für Kardiologie

FFR: Fraktionierte Flussreserve

ICA: Invasive Koronarangiografie

KHK: Koronare Herzerkrankung

KI: Künstliche Intelligenz

MACE: major cardiac Event

MRT: Magnetresonanztomografie

NPV: negativer prädiktiver Wert

NSTEMI: Nicht-ST-Hebungsinfarkt

PCD: Photon-Counting-Detektor

PCD-CT: Photon-Counting-Detektor-Computertomografie

PPV: positiver prädiktiver Wert

SPECT: Single-Photon-Emissions-Computertomografie

TAVI: Transkatheter-Aortenklappenimplantation

Einleitung

Die Leitlinien der European Society of Cardiology (ESC) zur Diagnostik und Behandlung des chronischen symptomatischen Koronarsyndroms wurden 2019 aktualisiert [1] [2]. Im Rahmen dieser Aktualisierung wurde die koronare CT-Angiografie (cCTA) als bevorzugte bildgebende Erstlinientechnik bei Patienten mit niedriger bis intermediärer Vortestwahrscheinlichkeit für eine koronare Herzkrankheit (KHK) empfohlen [2]. Aufgrund ihrer hohen Sensitivität zur Detektion koronarer Stenosen und ihres exzellenten negativen prädiktiven Wertes eignet sich die cCTA insbesondere zum sicheren Ausschluss einer KHK [3]. Die kürzlich erfolgte Aufnahme der cCTA in den Leistungskatalog der gesetzlichen Krankenkassen durch den Gemeinsamen Bundesausschuss unterstreicht zusätzlich ihre wachsende Bedeutung in der klinischen Praxis [4] [5].

Die Beurteilung des Stenosegrades erfolgt dabei anhand der prozentualen Lumeneinengung [6]. Diese ausschließlich morphologische Bewertung koronarer Engstellen führt jedoch häufig zur Überschätzung ihrer hämodynamischen Relevanz. Mehr als die Hälfte der in der cCTA detektierten signifikanten Stenosen sind funktionell nicht Ischämie-auslösend [3] [7]. Aufgrund der begrenzten Spezifität der cCTA zur funktionellen Beurteilung werden viele Patienten mit CT-anatomisch stenosierenden Plaques einer invasiven Koronarangiografie unterzogen, ohne dass dort eine hämodynamisch relevante Stenose nachgewiesen wird [8]. Zur funktionellen Ergänzung der cCTA wurden verschiedene nicht-invasive Verfahren entwickelt. Neben der myokardialen CT-Perfusion (CT-P), welche die Kontrastmittelanreicherung im Myokard während Belastung oder pharmakologisch induzierter Hyperämie erfasst, hat sich insbesondere die CT-basierte fraktionierte Flussreserve (CT-FFR) als vielversprechende Methode gezeigt [9] [10]. Hierbei erfolgt die Abschätzung der hämodynamischen Relevanz koronarer Läsionen anhand numerischer Modellierungen des Blutflusses. Die Berechnung nutzt Prinzipien der Strömungsmechanik, zumeist unterstützt durch Methoden der künstlichen Intelligenz (KI), um – analog zur invasiven FFR – den Druckabfall über eine Stenose zu simulieren. Im Gegensatz zur invasiven FFR erfordert die CT-FFR jedoch keine Katheterisierung und keine medikamentöse Hyperämieinduktion mittels Adenosin [7]. Die CT-FFR verbessert die Spezifität und den positiven prädiktiven Wert gegenüber der rein morphologischen cCTA [11]. Im Unterschied zur punktuellen invasiven Messung ermöglicht sie eine kontinuierliche funktionelle Analyse entlang des gesamten Koronarbaums.

Ein weiteres potenzielles Anwendungsgebiet der CT-FFR stellt die präinterventionelle Diagnostik vor einer Transkatheter-Aortenklappenimplantation (TAVI) dar. Studien deuten darauf hin, dass die Kombination aus cCTA und CT-FFR die diagnostische Genauigkeit in dieser Hochrisikogruppe signifikant verbessern kann [12] [13] [14] [15] [16] [17] [18] [19] [20]. Trotz ihrer vielversprechenden Eigenschaften ist die CT-FFR bislang nicht Bestandteil der ESC-Leitlinienempfehlungen für die Routinediagnostik [1] [2] [9]. Aufgrund des Mangels an prospektiven Vergleichsstudien mit Langzeitdaten wird ihre Anwendung derzeit als ergänzend betrachtet, ohne dass klare Handlungsalgorithmen definiert wurden [9] [21] [22]. Der vorliegende Übersichtsartikel fasst die technischen Grundlagen, wesentliche Entwicklungsschritte und aktuellen klinischen Fortschritte der CT-FFR zusammen und diskutiert deren Potenzial für die kardiovaskuläre Bildgebung der Zukunft.

Technischer Hintergrund der CT-FFR

Die Berechnung der CT-FFR basiert auf einer detaillierten Analyse der cCTA-Daten und erfolgt über strömungsphysikalische Modellierungen des koronaren Blutflusses. Im Gegensatz zur invasiven fraktionierten Flussreserve (FFR) wird der funktionelle Einfluss einer Koronarstenose hierbei nicht direkt durch intrakoronare Druckmessung bestimmt, sondern rechnerisch simuliert. Eine pharmakologische Hyperämie wird mathematisch modelliert, wobei patientenspezifische Parameter – beispielsweise die myokardiale Masse – in die Simulation einbezogen werden.

Die technische Umsetzung der CT-FFR-Berechnung umfasst folgende Schritte [23] [24]:

1. Erstellung eines präzisen dreidimensionalen Gefäßmodells der epikardialen Koronararterien auf Basis der cCTA-Bilddaten.

2. Simulation des koronaren Blutflusses unter Annahme standardisierter Mikrozirkulationsparameter zur Abbildung hämodynamischer Veränderungen.

3. Anwendung numerischer Strömungsdynamikmodelle zur Berechnung des Druckgradienten entlang des Gefäßverlaufs.

Die Auswertung erfolgt in der Regel 10–20 mm distal der Stenose, um den Einfluss des sogenannten pressure recovery phenomenon in poststenotisch dilatierten Segmenten zu minimieren [3]. Arbeiten von Nozaki et al. und Kueh et al. belegen, dass eine Messung in einem Abstand von 1–2 cm distal der Läsion eine bessere Korrelation mit der Entscheidung zur Revaskularisation aufweist als Messungen direkt im Bereich der maximalen Stenose [25] [26].

Neben dem rein morphologischen Stenosegrad beeinflussen weitere hämodynamische Parameter, wie der periphere Gefäßwiderstand oder bestehende Kollateralkreisläufe, den Druckgradienten über einer Stenose [3]. Die CT-FFR berücksichtigt diese Einflussgrößen, indem sie den maximal möglichen koronaren Blutfluss im betroffenen Segment mit dem eines gesunden Referenzgefäßes vergleicht. Durch diese Kombination aus anatomischer und funktioneller Information kann die hämodynamische Relevanz von Stenosen differenzierter beurteilt werden [3]. Ein CT-FFR-Wert unterhalb von 0,75–0,80 wird typischerweise als Hinweis auf eine hämodynamisch relevante Stenose interpretiert [27] [28]. Werte oberhalb von 0,80 gelten als unauffällig. Im Bereich zwischen 0,76 und 0,80 besteht ein diagnostischer Graubereich, in dem zusätzliche klinische Informationen oder weiterführende Verfahren empfohlen werden [3]. Ein Beispiel der CT-FFR-Auswertung ist in [Abb. 1] dargestellt.

Abb. 1 Flussdiagramm, das die automatische Analyse von cCTAs darlegt. Lokal werden gekrümmte multiplanare Reformationsbilder automatisch über den CT Cardiac Workflow (z.B. Syngo.via, Siemens Healthineers) generiert. Während in die visuelle Analyse alle Bilddaten und Rekonstruktionen einfließen, werden je nach Anbieter für die FFR-Berechnung die axialen Schichten (Siemens Healthineers) oder auch die multiplanaren Rekonstruktionen verarbeitet (CorEx, Spimed-AI). Je nach Software wird das Ergebnis als FFR-Wert und/oder als CAD-RADS-Einstufung ausgegeben.

Ein wesentlicher Vorteil der CT-FFR gegenüber der invasiven FFR liegt in der Möglichkeit zur flächendeckenden, kontinuierlichen Berechnung von Druck- und Flusswerten entlang des gesamten Koronarbaums. Dies erlaubt eine umfassende funktionelle Analyse, insbesondere bei konsekutiven oder ausgedehnten Läsionen in verzweigten Gefäßabschnitten, deren hämodynamische Bedeutung visuell schwer abzuschätzen ist. Die zusätzliche Modellierung liefert hier entscheidende Informationen für eine fundierte Therapieentscheidung. [Tab. 1] gibt einen Überblick über zentrale Studien zur CT-FFR der letzten Jahre.

Tab. 1 Übersicht wesentlicher klinischer Studien zur CT-FFR.

Studie	Jahr	Patientenzahl	Methode	Hauptergebnis
DISCOVER-FLOW	2011	103	CT-FFR (HeartFlow)	Erhöhte diagnostische Genauigkeit, primär durch verbesserte Spezifität im Vergleich zur cCTA allein [29].
Comparison Study (Siemens)	2014	53	Siemens cFFR, Version 1.4	Sensitivität von 85% (Läsionsbasiert) bzw. 94% (Patientenbasiert); Spezifität von 85% bzw. 84%; positiver prädiktiver Wert 71%; negativer prädiktiver Wert 93–97% [30].
NXT	2014	254	HeartFlow	Deutlich erhöhte Spezifität durch CT-FFR; AUC 0,90 gegenüber 0,81 für cCTA (p = 0,0008); hohe Genauigkeit auch bei intermediären Stenosen [31].
NXT-Substudie	2016	51	HeartFlow	Signifikant höhere AUC für CT-FFR (0,93) vs. cCTA (0,68; p= 0,008) [32].
PLATFORM	2016	584	HeartFlow	CT-FFR-basierte Strategie reduzierte Kosten bei vergleichbaren klinischen Ergebnissen und Lebensqualität gegenüber konventioneller Versorgung [33].
ADVANCE	2018	5.083	HeartFlow	CT-FFR änderte in 67% der Fälle die therapeutische Entscheidung im Vergleich zur cCTA allein [34].
Aarhus-Studie	2018	677	HeartFlow	CT-FFR erlaubt bei intermediären Stenosen eine differenzierte Risikoabschätzung (FFR >0,80 vs. <0,80) [35].
SYNTAX III Revolution	2019	233	HeartFlow	CT-FFR führte bei 7% der Patienten zur Änderung der Revaskularisierungsstrategie, bei 12% zur Änderung der Zielgefäße [36].
DEEPVESSEL FFR	2019	63	DEEPVESSEL FFR	Höhere diagnostische Genauigkeit zur Ischämiedetektion mit AUC von 0,928 im Vergleich zur cCTA allein [37].
Vancouver-Studie	2019	207	HeartFlow	CT-FFR ist ein unabhängiger Prädiktor für das mittelfristige Outcome; pathologischer CT-FFR-Wert ohne signifikanten Zusatznutzen bei <50%-Stenosen [38].
FORECAST (RCT)	2021	1.400	HeartFlow	CT-FFR-gestützte cCTA reduzierte die Zahl invasiver Angiografien, ohne signifikante Unterschiede in Kosten oder klinischem Outcome [39].
SYNTAX III-Subgruppe	2022	183	HeartFlow	Hohe Übereinstimmung mit invasiver FFR; Läsionen in der RCA waren prädiktiv für diagnostische Diskrepanzen [40].
TARGET (RCT)	2023	1.216	DEEPVESSEL FFR	Signifikant geringere Rate invasiver Angiografien in der CT-FFR-Gruppe; erhöhte Revaskularisierungsrate ohne Zunahme schwerwiegender Ereignisse [41].

CT-FFR-Softwarelösungen: Anbieter, Technologien und klinische Integration

Neben etablierten Anbietern wie HeartFlow und Siemens Healthineers haben sich in den letzten Jahren zunehmend neue Softwarelösungen zur CT-FFR-Berechnung etabliert. Diese nutzen vorwiegend KI-basierte Algorithmen und unterscheiden sich hinsichtlich ihrer Technologie, Bereitstellung (On-Site vs. Cloud) und Integrationsmöglichkeiten in klinische Arbeitsabläufe [37] [42] [43] [44]:

• HeartFlow Inc. (USA): Das Unternehmen bietet eine von der FDA zugelassene Lösung an, bei der die CT-FFR-Berechnung als Cloud-basierter Dienst erfolgt. Optional ist eine manuelle Nachbearbeitung durch spezialisierte Techniker vorgesehen. Die Kosten pro Analyse betragen derzeit etwa 1000 US-Dollar.

• Spimed AI (Frankreich): Die Softwarelösung „CorEx“ nutzt KI-gestützte Algorithmen zur CT-FFR-Berechnung und legt den Fokus auf personalisierte kardiovaskuläre Diagnostik. Sie ist sowohl als On-Site-Installation als auch über eine Cloud-Plattform verfügbar ([Abb. 2]).

• Siemens Healthineers (Deutschland): Der cFFR-Algorithmus ist eine On-Site-Lösung zur nicht-invasiven Bestimmung der fraktionellen Flussreserve auf Basis von Koronar-CTA-Daten. Ein Machine-Learning-Modell, trainiert mit Strömungssimulationen von 12000 synthetisch generierten Koronarmodellen, deckt dabei ein breites Spektrum an Läsionsgeometrien ab. Zur intuitiven Beurteilung liefert der Algorithmus sowohl numerische FFR-Werte als auch eine farbkodierte 3D-Visualisierung der Koronarien ([Abb. 3] und [Abb. 4]).

• CathWorks (Israel): Entwickelt eine On-Site-Lösung auf Basis eines eindimensionalen Modellierungsansatzes. Diese befindet sich aktuell in der Forschungsphase und ist noch nicht kommerziell verfügbar

• Keya Medical (China): Mit „DEEPVESSEL FFR“ stellt Keya Medical eine KI-basierte Lösung zur Verfügung, die speziell für asiatische Patientenpopulationen optimiert wurde. Die Software ist für eine schnelle und automatisierte Analyse konzipiert.

• Yukun Technology (China): Entwickelt vollautomatisierte Deep-Learning-basierte CT-FFR-Lösungen. Die Software „skCT-FFR“, für Europa unter dem Namen „Careverse CoronaryDoc“ bzw. „Careverse FFR“ vermarktet, erlaubt auch eine interaktive Benutzerkorrektur der Ergebnisse ([Abb. 5]) [45] [46].

Die Wahl zwischen On-Site- und Off-Site-Verarbeitung hat direkte Auswirkungen auf Datenverfügbarkeit, IT-Sicherheit, Bearbeitungszeit und Kosten. Eine Übersicht der jeweiligen Vor- und Nachteile der beiden Ansätze findet sich in [Tab. 2].

Abb. 2 Zwei Patienten mit Verdacht auf koronare Herzkrankheit (KHK) wurden mittels Koronar-CT-Angiografie (CCTA) untersucht. Eine KI-gestützte Software (CorEx, Spimed-AI) analysiert die Koronararterien automatisiert. Patient 1 (A): In der längsorientierten Darstellung des betroffenen Koronargefäßsegments sowie in den vergrößerten Querschnittsansichten zeigte sich eine luminale Verengung. Die Software identifiziert eine obstruktive KHK mit einer luminalen Engstelle von 70% sowie einem CT-FFR-Wert von ≤0,8, was auf eine hämodynamisch relevante Stenose hinweist. Patient 2 (B): Die Software identifiziert nur geringe koronare Stenosen (eine luminale Verengung von 1–24%) ohne hämodynamische Relevanz (FFR>0,8). FFR = fraktionierte Flussreserve, KI = Künstliche Intelligenz, LAD = linke vordere absteigende Arterie.

Abb. 3 53-jähriger Patient mit Nachweis mehrerer hochgradiger Stenosen in der proximalen und mittleren LAD. Die nicht invasive fraktionelle Flussreserve (c) (FFRCT, Anwender Siemens Healthineers, cFFR, version 3.5) bestätigt dies (FFR 0,63).

Abb. 4 68-jährige weibliche Patientin, die eine cCTA bei Verdacht auf KHK erhalten hat. Bereits in der cCTA (a) Bild einer hochgradigen Stenose in der proximalen LAD. Ebenfalls gute Abgrenzbarkeit der Stenose in der Multiplanaren Rekonstruktion (b) mit teils kalzifizierten und teils nicht kalzifizierten Plaqueanteilen, ferner Verifikation in der CT-FFR (c), Anwender Siemens Healthineers, cFFR, version 3.5.

Abb. 5 CT-FFR-Evaluation komplexer konsekutiver Stenosen der linken Vorderwandarterie (LAD) unter Verwendung eines Ultra-High-Resolution cCTA, akquiriert an einem Photon-Counting-CT. Die Analyse erfolgte mit der Software Careverse FFR (Yukun Technology, China). Die LAD zeigt mehrere hintereinanderliegende, teilweise verkalkte Stenosen mit graduellem FFR-Abfall. Der minimale CT-FFR-Wert beträgt 0,82, was lediglich auf einen Grenzwert für eine hämodynamisch relevante Perfusionsminderung hinweist. Im unteren Diagramm ist die kontinuierliche Druckabnahme über die LAD hinweg nachvollziehbar dokumentiert. Die 3D-Rekonstruktion in der Mitte erlaubt eine segmentweise Zuordnung der Flussreserve zu den jeweiligen Koronarästen. Die rechts dargestellten multiplanaren Rekonstruktionen illustrieren die Stenose.

Tab. 2 Vergleich von On-Site- und Off-Site-Verarbeitung bei der CT-FFR-Analyse.

Kriterium	On-Site-Verarbeitung	Off-Site-Verarbeitung
Vorteile	Einmalige Investitionskosten, ggfs. fallbezogene Lizenzgebühren Unbegrenzte Anwendbarkeit für klinische und wissenschaftliche Fragestellungen Direkte Einbindung in die klinische Routine ohne Zeitverzögerung	Kein zusätzlicher Zeitaufwand für das klinische Personal Hoher Standardisierungsgrad der Analyse Geringe Abhängigkeit von der individuellen Auswerterfahrung
Nachteile	Zeit- und personalintensiver Auswerteprozess Notwendigkeit gezielter Schulung des Fachpersonals Ergebnisqualität abhängig von Auswerterfahrung Erfordert leistungsfähige technische Infrastruktur	Derzeit hohe Kosten pro Analysefall

Invasive Koronarangiografie und invasive FFR-Bestimmung

Die invasive fraktionierte Flussreserve (FFR) basiert auf der Messung des Druckverhältnisses zwischen dem poststenotischen (distalen) und dem aortalen (proximalen) Mitteldruck [3]. Hierzu wird ein spezieller Führungsdraht mit integriertem Drucksensor distal der Stenose platziert. Nach Applikation eines Vasodilatators – üblicherweise Adenosin – erfolgt die Druckmessung unter maximaler Hyperämie. Der FFR-Wert ergibt sich aus dem Quotienten des distalen intrakoronaren Drucks (Pd) und des proximalen Drucks (Pp), d. h. FFR = Pd/Pp. Ein Wert von 1,0 entspricht einer ungestörten Perfusion, während Werte <0,80 auf eine hämodynamisch signifikante Stenose hinweisen [9].

Die Stärke der invasiven FFR liegt in der direkten Messung des Druckabfalls über eine definierte Läsion unter standardisierten Bedingungen. Allerdings beschränkt sich die Aussagekraft auf das jeweils untersuchte Segment und erlaubt keine umfassende funktionelle Beurteilung des gesamten Koronarbaums. Zudem ist der Einsatz der invasiven FFR im klinischen Alltag trotz ihrer hohen Evidenzlage limitiert, da sie mit einem erhöhten logistischen Aufwand, höheren Kosten sowie prozeduralen Risiken einhergeht [47].

Neuerungen und Anwendungsansätze

Technische Neuerungen

Die Einführung der Photon-Counting-Computertomografie (PCD-CT) stellt einen bedeutenden Fortschritt in der kardialen Bildgebung dar. Durch die Detektion und energieauflösende Zählung einzelner Photonen direkt am Detektor ermöglicht sie eine höhere räumliche Auflösung, eine Reduktion des Bildrauschens sowie eine gleichzeitige potenzielle Dosisersparnis [48] [49] [50]. Dies erlaubt eine präzisere Charakterisierung von Koronarplaques. Phantomstudien haben gezeigt, dass die PCD-CT insbesondere nicht-kalzifizierte und lipidreiche Plaques genauer darstellt als konventionelle CT-Systeme [48] [51].

Zudem konnte gezeigt werden, dass PCD-CT der konventionellen CT hinsichtlich der Beurteilbarkeit von Stents und In-Stent-Stenosen überlegen ist [52] [53]. Die Reduktion von Blooming-Artefakten ermöglicht eine differenziertere Plaque- und Stentbeurteilung, was potenziell auch die Genauigkeit der CT-FFR-Berechnung verbessern kann [54] [55].

In einer monozentrischen Vergleichsstudie untersuchten Zsarnoczay et al. die CT-FFR-Ergebnisse zwischen Photon-Counting-Detektoren (PCD) und klassischen energieintegrierenden Detektoren (EID) bei 22 Patientinnen und Patienten [56]. Es zeigte sich eine ausgezeichnete Übereinstimmung zwischen den beiden Detektortypen, sowohl auf Gefäß- als auch auf Patientenebene.

Brendel et al. berichteten über eine hohe Sensitivität (97,2 % auf Patientenebene; 96,6 % auf Gefäßebene) bei der KI-gestützten Detektion koronarer Stenosen in PCD-CT-Daten unter Verwendung ultra-hochauflösender Rekonstruktionen [57]. Größere multizentrische Studien zur Validierung dieser Ergebnisse stehen jedoch noch aus.

KI-gestützte Analysesysteme

Ein innovativer Ansatz zur Verbesserung der CT-FFR-Diagnostik liegt in der vollständigen Integration KI-basierter Softwarelösungen, die eine vollautomatisierte On-Site-Analyse ermöglichen. Zwei aktuelle Studien untersuchten die Effektivität der skCT-FFR-Software von Shukun Technology (Shanghai, China) [45] [46]. Diese erlaubt eine direkte Analyse vor Ort, ohne dass die Bilddaten in ein externes Rechenzentrum übertragen werden müssen.

In einer multizentrischen, randomisierten Studie an über 5000 Patientinnen und Patienten zeigte Guo et al., dass durch den Einsatz von skCT-FFR die Anzahl unnötiger invasiver Koronarangiografien (ICA) um 19,4 % reduziert werden konnte – ohne Erhöhung der Rate schwerwiegender kardiovaskulärer Ereignisse [45].

Eine weitere Untersuchung an 463 Patientinnen und Patienten (600 Gefäße) belegte eine diagnostische Genauigkeit von 82% auf Patientenebene und eine hohe Übereinstimmung mit der invasiven FFR. Die Berechnungsdauer konnte signifikant verkürzt und die Erfolgsrate der CT-FFR-Analysen auf über 99% gesteigert werden [46].

Diese Ergebnisse unterstreichen das Potenzial KI-gestützter CT-FFR-Technologien, insbesondere im Hinblick auf die Verbesserung von Effizienz, Workflows und diagnostischer Entscheidungsfindung in der kardiovaskulären Bildgebung. Die Möglichkeit zur automatisierten Priorisierung auffälliger Befunde in der Worklist stellt hierbei einen zusätzlichen Vorteil dar. Allerdings bedarf es weiterer externer Validierungsstudien in westlichen Populationen sowie langfristiger Outcome-Analysen, um die Übertragbarkeit der Resultate zu gewährleisten.

Dennoch könnte die Kombination aus Photon-Counting-CT und KI-basierter CT-FFR-Analyse einen paradigmatischen Wandel in der nicht-invasiven Koronardiagnostik einleiten.

Klinische Anwendungen und Subgruppenanalysen

Die CT-FFR wird zunehmend in spezifischen Risikokollektiven und klinischen Subgruppen untersucht. Eine Reihe von Studien fokussierte auf Patientinnen und Patienten mit Diabetes mellitus [58] [59] [60] [61]. Aufgrund mikroangiopathischer Veränderungen ist diese Gruppe besonders anfällig für komplexe koronare Veränderungen. In mehreren Studien erwies sich die CT-FFR als unabhängiger Prädiktor für schwerwiegende kardiale Ereignisse in dieser Population [60]. Darüber hinaus wurde ein Zusammenhang zwischen dem Volumen epikardialen Fettgewebes und dem kardiovaskulären Risiko identifiziert [59].

Eine Subanalyse der ADVANCE-Kohorte ergab bei Rauchern ein signifikant reduziertes Verhältnis von Koronarvolumen zur myokardialen Masse – ein Parameter, der aus der CT-FFR abgeleitet wird [61]. Ob dieses Maß als Surrogatmarker für Gefäßgesundheit geeignet ist, bleibt Gegenstand weiterer Studien.

Weitere Arbeiten widmen sich der praktischen Integration der CT-FFR in den klinischen Alltag [62], der Vergleichbarkeit verschiedener Softwarelösungen [63], der Beurteilung individueller Plaquemorphologien [64], sowie der prognostischen Bedeutung funktioneller Parameter [65] [66] [67]. Auch gesundheitsökonomische Analysen wurden durchgeführt, wobei bislang vorwiegend Daten aus den USA verfügbar sind [68] [69].

Erste Studien zeigen zudem, dass eine CT-FFR-gestützte Entscheidungsfindung präoperativ vor Bypassoperationen mit geringerer Komplikationsrate und höherer Offenheitsrate der Bypässe assoziiert ist [70] [71].

In einer prospektiven multizentrischen Studie konnte Mortensen et al. zeigen, dass sich CT-FFR-Werte unter intensiver lipidsenkender Therapie im Verlauf verbessern, was das Potenzial für Verlaufsuntersuchungen unter Therapie unterstreicht [72].

Auch für die Beurteilung der atherosklerotischen Gesamtlast eignet sich die CT-FFR, wie die Arbeit von Chen et al. zeigt [73]. Schuessler et al. beschrieben den Einsatz der CT-FFR zur Risikostratifizierung bei Patientinnen und Patienten vor Lebertransplantation [74].

Kübler et al. untersuchten die diagnostische Leistungsfähigkeit von KI-gestützter Koronarer CT-Angiografie (cCTA) bei asymptomatischen Marathonläufern [75]. Dies kann zu Überdiagnosen führen, insbesondere bei Populationen mit niedriger KHK-Prävalenz. Die CT-FFR könnte hier helfen, falsch-positive morphologische Befunde funktionell zu entkräften. Die Ergebnisse zeigen eine hohe Sensitivität und negativen prädiktiven Wert (NPV), jedoch eine niedrigere positive prädiktive Wertigkeit (PPV), was auf eine potenzielle Überschätzung von Stenosen hinweist. Die Arbeit zeigt, dass die CT-FFR auch in Bevölkerungsgruppen mit einem geringen kardiovaskulären Risiko sinnvoll sein kann, jedoch spezifische Herausforderungen mit sich bringt. Die Studie hebt hervor, dass die KI-Modelle eine hohe Sensitivität aufweisen, jedoch eine vergleichsweise niedrige Spezifität, wodurch es häufiger zu falsch-positiven Befunden kommt [75]. Diese Überdiagnose kann insbesondere bei Populationen mit niedriger KHK-Prävalenz (z.B. Sportlern) zu unnötigen invasiven Untersuchungen führen.

Für Patientinnen und Patienten mit geplanter Transkatheter-Aortenklappenimplantation (TAVI) wurde die Rolle der CT-FFR in zahlreichen Studien untersucht [12] [13] [14] [15] [16] [17] [18] [19] [20] [76] [77] [78].

Ziel ist eine präzisere Identifikation hämodynamisch relevanter Koronarstenosen im Vergleich zur cCTA allein sowie die Vermeidung unnötiger invasiver Koronarangiografien in dieser besonders vulnerablen Patientengruppe ([Abb. 6]).

Abb. 6 Möglicher Nutzen der CT-FFR vor TAVI: In der cCTA einer 80-jährigen Patientin vor TAVI-Operation wurde visuell eine schwere Stenose im mittleren Bereich der LAD und der LCX vermutet (a), wobei in der CT-FFR beide proximalen Stenosen mit einem Wert von 0,91 bewertet wurden (b), (Anwender Siemens Healthineers, cFFR, version 3.5). In der invasiven Koronarangiografie wurde das Ergebnis der CT-FFR bestätigt bei visuellen Stenosen von nur 30 bzw. 40 %.

Bei Patientinnen und Patienten mit hochgradiger Aortenklappenstenose, die typischerweise älter sind und multiple Komorbiditäten aufweisen, besteht ein besonderes Interesse an einer Reduktion potenziell belastender Kontrastmittelgaben und invasiver Eingriffe [79].

In dieser Konstellation kann die CT-FFR zur funktionellen Einschätzung beitragen, ohne zusätzliche Belastung oder prozedurale Risiken zu verursachen.

Steyer et al. zeigten in einer Subanalyse ihrer Kohorte, dass mittels CT-FFR schwere kardiale Ereignisse nach TAVI prädiktiv identifiziert werden konnten [80]. Auch Aquino et al. berichteten, dass durch Integration der CT-FFR in bestehende prädiktive Modelle der Vorhersagewert für das Auftreten von schweren kardialen Ereignissen signifikant verbessert wurde (p = 0,002), während kein signifikanter Effekt auf die Gesamtmortalität festgestellt wurde (p = 0,67) [81].

CT-FFR bei akuter und stabiler Angina pectoris: Gatekeeper-Potenzial

Die CT-FFR trägt signifikant zur Reduktion unnötiger invasiver Koronarangiografien bei und kann damit nicht nur die Versorgungsqualität verbessern, sondern auch Kosten einsparen. In einer Metaanalyse von Zhuang et al. zur akuten Koronarsymptomatik zeigte sich auf Patientenebene eine gepoolte Sensitivität von 89% und eine Spezifität von 71%, auf Gefäßebene 85% bzw. 82%. Während die Sensitivität der CT-FFR jener der cCTA vergleichbar war, erwies sich die Spezifität als überlegen [82].

Martin et al. demonstrierten in einer Akutsituation, dass die CT-FFR ein besserer Prädiktor für eine notwendige koronare Revaskularisation sowie für schwerwiegende unerwünschte kardiale Ereignisse war als ein Triple-Rule-out-CT allein (Odds Ratio: 3,4 vs. 2,2) [83].

Eine aktuelle Studie von Meier et al. belegte, dass die CT-FFR auch bei Hochrisiko-NSTEMI-Patienten eine bessere diagnostische Genauigkeit aufweist als die cCTA und dabei hilft, hämodynamisch nicht signifikante Stenosen auszuschließen [84]. Dadurch konnte die CT-FFR unnötige invasive Eingriffe reduzieren.

Fischer et al. zeigten, dass Patienten mit einer CT-FFR >0,8 ein geringeres Risiko für schwerwiegende kardiale Ereignisse aufweisen [85]. Madsen et al. bestätigten diesen schützenden Effekt auch bei Patienten mit chronischer Angina pectoris [86], was darauf hinweist, dass auch in dieser Gruppe unnötige invasive Angiografien vermieden werden können.

Dies gilt auch für Patientinnen und Patienten mit chronischer Angina pectoris, bei denen eine CT-FFR-basierte Strategie zu einer signifikanten Reduktion invasiver Eingriffe führen kann [87] [88].

Eine groß angelegte randomisierte Studie von Yang J et al. mit 1216 Patienten zeigte, dass der Anteil der Patienten mit stabiler KHK, die einer invasiven Koronarangiografie unterzogen wurden, in der CT-FFR-Gruppe signifikant geringer war [41]. Interessanterweise war in dieser Kohorte die Revaskularisierungsrate höher, jedoch ohne eine erhöhte Rate schwerwiegender unerwünschter kardialer Ereignisse [41].

Diese Ergebnisse werden durch eine Metaanalyse von Di Pietro et al. gestützt, die bei stabiler KHK eine niedrigere Angiografierate, aber höhere Revaskularisierungsrate unter Einsatz der CT-FFR dokumentiert – ohne Unterschiede in Mortalität oder MACE nach einem Jahr [89].

Die CT-FFR ermöglicht darüber hinaus eine zusätzliche funktionelle Stratifizierung innerhalb der CAD-RADS-Klassifikation. Während bei CAD-RADS 0–2 eine Ischämie unwahrscheinlich ist, erfordert ein CAD-RADS ≥3 eine differenzierte Abklärung [90]. Hier kann die CT-FFR als nicht-invasive Methode zur Ischämie-Stratifizierung beitragen und eine Schlüsselrolle bei der Entscheidungsfindung zwischen invasiver oder konservativer Therapie einnehmen.

Vergleich funktioneller Bildgebungsverfahren

Die CT-FFR wird zunehmend als funktionelle Ergänzung zur cCTA betrachtet und konkurriert in dieser Rolle mit Verfahren wie SPECT, CT-Perfusion und Stress-MRT. Bei stabiler KHK zeigen mehrere Studien eine vergleichbare diagnostische Genauigkeit zwischen CT-FFR und SPECT, wobei die Sensitivität der CT-FFR teilweise höher ausfällt [91] [92] [93] [94] [95].

Nørgaard et al. demonstrierten, dass bei intermediären Stenosen durch den Ersatz einer Myokardperfusionsbildgebung mittels CT-FFR bei sonst stabiler koronarer Herzerkrankung die Rate invasiver Angiografien reduziert werden konnte [96].

Zur Risikoabschätzung zeigen Miyajima K et al., dass bei Läsionen mit einer Stenose ≥50% in der cCTA die diagnostische Genauigkeit der CT-FFR (AUC 0,81) der von SPECT wiederum (AUC 0,64, p = 0,0239) signifikant überlegen war [97].

CT-FFR und CT-Perfusion gelten als sich ergänzende Verfahren. Eine kombinierte Anwendung kann insbesondere die Spezifität verbessern, ohne die Sensitivität negativ zu beeinflussen [98] [99]. Ähnliches zeigen die Ergebnisse von Soschynski et al., die in ihrer Studie keinen signifikanten Unterschied in der diagnostischen Genauigkeit zwischen cCTA in Kombination mit CT-FFR und cCTA in Kombination mit CT-Perfusion bei der Detektion hämodynamisch relevanter Koronarstenosen feststellen konnten [10]. Die Autorinnen und Autoren schlagen auf Basis ihrer Ergebnisse einen sequenziellen diagnostischen Ansatz vor, bei dem eine initiale cCTA mit CT-FFR durch eine ergänzende CT-Perfusion erweitert wird, um die Spezifität weiter zu steigern – ohne Einbußen bei der Sensitivität [10].

Vergleiche mit der kardialen MRT zeigen, dass die CT-FFR auf Gefäßebene ähnliche diagnostische Leistungen aufweist, die MRT aber auf Patientenebene durch höhere Spezifität überlegen sein kann. Eine kleinere systematische Analyse von 110 Patienten aus Dänemark ergab bei stabiler Angina pectoris vergleichbare Ergebnisse für die diagnostische Genauigkeit für die cCTA, die CT-FFR und die kardiale MRT. Die Sensitivität zur Vorhersage einer Revaskularisierung war bei der CT-FFR auch hier am höchsten, während die Spezifität bei der MRT am höchsten war [100] [101] [102].

Kosten-Nutzen-Verhältnis

Mehrere Studien untersuchten die ökonomischen Auswirkungen der CT-FFR im Vergleich zu konventionellen Strategien. Wenngleich zahlreiche Studien unterschiedlicher Größe zur klinischen Anwendung bestehen, sind die bisherigen Kosten-Nutzen-Analysen in der Anzahl weit geringer. Hlatkey et al. zeigen in einer Teilstudie mit 96 Patienten aus DISCOVER-FLOW eine Kostenersparnis von 30% bei selektivem Einsatz der CT-FFR bei der Identifizierung von Patienten die eine Koronarintervention benötigen [103].

Ähnliche Einsparungen (32%) bei gleichzeitig reduzierter Ereignisrate (–19%) wurden in einer japanischen Kohorte von Kimura et al. berichtet [104].

Eine retrospektive Analyse von Graby et al. aus Großbritannien ergab eine verbesserte Kosteneffizienz bei Anwendung der CT-FFR ab einem Stenosegrad von >50% [105].

Für Deutschland zeigt die Studie von Colleran et al. anhand von 116 Patienten, dass signifikant Kosten pro Patient eingespart werden können durch eine reduzierte Anzahl an notwendigen invasiven Angiografien [88]. In der Studie konnten insgesamt 40 Angiografien eingespart werden, da eine relevante KHK im Vorfeld durch die Kombination von cCTA und CT-FFR ausgeschlossen werden konnte, ohne das Auftreten von unerwünschten schweren kardialen Ereignissen in einem Nachsorgezeitraum von einem Jahr.

Demgegenüber wiesen Mittral et al. auf höhere Pro-Kopf-Kosten im Vergleich zu Stressbildgebung mittels SPECT oder MRT hin, basierend auf Daten von knapp 2300 Patientinnen und Patienten [106].

Insgesamt zeigen die Studien ein potenzielles Einsparungspotenzial der CT-FFR, insbesondere bei gezieltem Einsatz. Für eine belastbare gesundheitsökonomische Bewertung sind jedoch weitere prospektive Analysen erforderlich – insbesondere unter Berücksichtigung europäischer Versorgungssysteme.

Limitationen

Die Anwendung der CT-FFR ist mit mehreren technischen und systemimmanenten Einschränkungen verbunden. Eine zentrale Limitation besteht in der eingeschränkten Beurteilbarkeit kompletter Koronarverschlüsse, da die zugrunde liegenden Algorithmen auf durchgängige Gefäßstrukturen angewiesen sind. Auch anatomische Varianten – etwa aberrante oder fehlende Koronararterien – können die Modellierung und Interpretation beeinträchtigen.

Die Genauigkeit der CT-FFR hängt wesentlich von der Qualität der zugrunde liegenden Bilddaten ab. Ungünstige Kontrastmittelverteilung, Bewegung durch Arrhythmien oder unzureichende Atemanhaltefähigkeit können Artefakte verursachen und die Analyse einschränken [8] [107]

Nach erfolgter Revaskularisation – etwa bei Stentimplantationen oder Bypass-Operationen – ist die Aussagekraft der CT-FFR limitiert. Metallartefakte können die Segmentierung und Flussmodellierung erheblich beeinträchtigen. Nur wenige Studien zeigen bisher eine zuverlässige Bewertung von In-Stent-Stenosen [108] [109].

Kleinere Gefäße und Seitenäste werden häufig nicht in die Flussberechnung einbezogen, was die Genauigkeit in bestimmten klinischen Szenarien reduziert [110]. Fortschritte in der Softwareentwicklung könnten hier perspektivisch Abhilfe schaffen [111].

Die Auswertung der CT-FFR erfordert – insbesondere bei halbautomatischen Lösungen – Erfahrung in der manuellen Nachbearbeitung. Die interaktive Korrektur der Segmentierung oder Gefäßkonturen kann zu interindividuellen Unterschieden führen und erfordert spezialisiertes Fachwissen.

Zudem bestehen weiterhin hohe Anforderungen an Rechenleistung und IT-Infrastruktur. Die Kosten für Softwarelizenzen sowie die noch begrenzte Zahl validierter Anwendungen stellen Hindernisse für eine breite klinische Implementierung dar. Eine flächendeckende Routineanwendung ist derzeit wirtschaftlich nur eingeschränkt realisierbar.

Zukünftige Entwicklungen sollten auf eine verbesserte Bildqualität, die Reduktion von Artefakten sowie die Standardisierung herstellerübergreifender Algorithmen abzielen. Auch die Robustheit bestehender KI-Modelle muss erhöht werden, um falsch-positive Ergebnisse zu minimieren [72].

Bislang fehlen weitere Studien, die einen direkten Vergleich zwischen den einzelnen Softwareanwendungen untereinander untersuchen. Eine Übertragbarkeit der Ergebnisse einzelner Studien mit einer spezifischen Software auf andere Softwareanwendungen ist aktuell noch nicht gegeben bei insgesamt geringem gegebenem Level an Standardisierung zwischen den Softwareanbietern.

Schlussfolgerung und Ausblick

Aktuelle Studien belegen das hohe diagnostische und prognostische Potenzial der CT-FFR in verschiedenen Patientenkollektiven. Die Integration von Photon-Counting-CT, Deep-Learning-Algorithmen und KI-gestützten Workflows verspricht eine Weiterentwicklung der nicht-invasiven funktionellen Bildgebung.

Trotz der technologischen Fortschritte bleibt der breite klinische Einsatz limitiert. Technische Herausforderungen, hohe Infrastrukturanforderungen und unzureichende Standardisierung der Softwarelösungen erschweren die flächendeckende Implementierung. Auch eine vergleichende Bewertung unterschiedlicher Softwareanbieter steht bisher aus.

Für eine fundierte gesundheitsökonomische und klinische Bewertung sind prospektive, multizentrische Langzeitstudien notwendig, idealerweise mit herstellerübergreifender Validierung und standardisierten Workflows.

Perspektivisch könnte die CT-FFR die invasive Diagnostik nicht ersetzen, jedoch sinnvoll ergänzen – insbesondere bei komplexen oder multiplen Stenosen, bei denen eine visuelle Einschätzung allein nicht ausreicht. Die Möglichkeit, auffällige Fälle automatisiert zu priorisieren, könnte zudem die Effizienz in der Befundung erhöhen.

Die zunehmende Verbreitung der CT-FFR und deren verbesserte Anwendbarkeit im klinischen Alltag stellen eine zukünftige mögliche vielversprechende Entwicklung dar. Bis jetzt ist eine Anwendung in der klinischen Routine allerdings noch nicht wirtschaftlich umsetzbar und beschränkt sich hauptsächlich auf den Forschungsbereich sowie Einzelfallanalysen. Eine breite klinische Implementierung erfordert zugelassene, on-site einsetzbare Softwarelösungen, die eine unmittelbare Integration in bestehende diagnostische Abläufe ermöglichen. Langfristig könnte die CT-FFR so zu einem festen Bestandteil der patientenindividuellen kardiovaskulären Risikostratifizierung werden.

• References

• 1 Knuuti J, Wijns W, Saraste A. et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes. Eur Heart J 2020; 41 (03) 407-477
• 2 Soschynski M, Hagar MT, Taron J. et al. Update for the Performance of CT Coronary Angiography – Evidence-Based Application and Technical Guidance According to Current Consensus Guidelines and Practical Advice from the Clinical Routine. Rofo 2022; 194 (06) 613-624
• 3 Gutberlet M, Krieghoff C, Gohmann R. Is FFRCT a game changer in coronary CT angiography?. Herz 2020; 45 (05) 431-440
• 4 Beschluss des Gemeinsamen Bundesausschusses über eine Änderung der Richtlinie Methoden vertragsärztliche Versorgung (MVV-RL): Computertomografie-Koronarangiografie bei Verdacht auf eine chronische koronare Herzkrankheit vom 18.01.2024. https://www.g-ba.de/downloads/39–261–6418/2024–01–18_MVV-RL_CCTA-KHK.pdf
• 5 Coronary computed tomography angiography (with or without functional evaluation) for the diagnosis of chronic coronary heart disease: IQWiG Reports – Commission No. D22–01 Institute for Quality and Efficiency in Health Care (IQWiG). Cologne (Germany): Institute for Quality and Efficiency in Health Care (IQWiG); 2024 Mar 8.
• 6 Chen J, Wetzel LH, Pope KL. et al. FFRCT: Current Status. AJR Am J Roentgenol 2021; 216 (03) 640-648
• 7 Min JK, Taylor CA, Achenbach S. et al. Noninvasive Fractional Flow Reserve Derived From Coronary CT Angiography: Clinical Data and Scientific Principles. JACC Cardiovasc Imaging 2015; 8 (10) 1209-1222
• 8 Asher A, Singhal A, Thornton G.. et al. FFRCT derived from computer tomography angiography: the experience in the UK. Expert Review of Cardiovascular Therapy 2018;
• 9 Soschynski M, Taron J, Schlett CL. et al. Update on coronary CT-more than just anatomical imaging?. : Current guidelines and functional CT techniques for the quantification of stenoses Radiologe 2020; 60 (12) 1131-1141
• 10 Soschynski M, Storelli R, Birkemeyer C. et al. CT Myocardial Perfusion and CT-FFR versus Invasive FFR for Hemodynamic Relevance of Coronary Artery Disease. Radiology 2024; 312 (02) e233234
• 11 Mathew RC, Gottbrecht M, Salerno M. Computed Tomography Fractional Flow Reserve to Guide Coronary Angiography and Intervention. Interv Cardiol Clin 2018; 7 (03) 345-354
• 12 Renker M, Schoepf UJ, Kim WK. Combined CT Coronary Artery Assessment and TAVI Planning. Diagnostics (Basel) 2023; 13 (07) 1327
• 13 Michail M, Ihdayhid AR, Comella A. et al. Feasibility and Validity of Computed Tomography-Derived Fractional Flow Reserve in Patients with Severe Aortic Stenosis: The CAST-FFR Study. Circ. Cardiovasc. Interv 2021; 14: e009586
• 14 Gohmann RF, Pawelka K, Seitz P. et al. Combined cCTA and TAVR Planning for Ruling Out Significant CAD: Added Value of ML-Based CT-FFR. JACC Cardiovasc. Imaging 2022; 15: 476-486
• 15 Brandt V, Schoepf UJ, Aquino GJ. et al. Impact of machine-learning-based coronary computed tomography angiography-derived fractional flow reserve on decision-making in patients with severe aortic stenosis undergoing transcatheter aortic valve replacement. Eur. Radiol 2022; 32: 6008-6016
• 16 Aquino GJ, Abadia AF, Schoepf UJ. et al. Coronary CT Fractional Flow Reserve before Transcatheter Aortic Valve Replacement: Clinical Outcomes. Radiology 2022; 302: 50-58
• 17 Langenbach MC, Langenbach IL, Foldyna B. et al. Advanced CT measures of coronary artery disease with intermediate stenosis in patients with severe aortic valve stenosis. Eur Radiol 2024; 34 (08) 4897-4908
• 18 Wienemann H, Langenbach MC, Mauri V. et al. Feasibility and Comparison of Resting Full-Cycle Ratio and Computed Tomography Fractional Flow Reserve in Patients with Severe Aortic Valve Stenosis. J Cardiovasc Dev Dis 2022; 9 (04) 116
• 19 Brendel JM, Walterspiel J, Hagen F. et al. Coronary artery disease evaluation during transcatheter aortic valve replacement work-up using photon-counting CT and artificial intelligence. Diagn Interv Imaging 2024; 105 (7/8) 273-280
• 20 Becker LM, Peper J, van Ginkel DJ. et al. Coronary CTA and CT-FFR in trans-catheter aortic valve implantation candidates: a systematic review and meta-analysis. Eur Radiol 2024;
• 21 Celeng C, Leiner T, Maurovich-Horvat P. Anatomical and functional computed tomography for diagnosing hemodynamically significant coronary artery disease: a meta-analysis. JACC Cardiovasc Imaging 2019; 12: 1316-1325
• 22 Nørgaard BL, Terkelsen CJ, Mathiassen ON. et al. Coronary CT angiographic and flow reserve-guided management of patients with stable ischemic heart disease. J Am Coll Cardiol 2018; 72: 2123-2134
• 23 Rabbat MG, Berman DS, Kern M. et al. Interpreting results of coronary computed tomography angiography-derived fractional flow reserve in clinical practice. J Cardiovasc Comput Tomogr 2017; 11 (05) 383-388
• 24 Taylor CA, Fonte TA, Min JK. Computational fluid dynamics applied to cardiac computed tomography for noninvasive quantification of fractional flow reserve: Scientific basis. J Am Coll Cardiol 2013; 61 (22) 2233-2241
• 25 Nozaki YO, Fujimoto S, Kawaguchi YO. et al. Prognostic value of the optimal measurement location of on-site CT-derived fractional flow reserve. J Cardiol 2022; 80 (01) 14-21
• 26 Kueh SH, Mooney J, Ohana M. et al. Fractional flow reserve derived from coronary computed tomography angiography reclassification rate using value distal to lesion compared to lowest value. J Cardiovasc Comput Tomogr 2017; 11 (06) 462-467
• 27 Gassenmaier S, Tsiflikas I, Greulich S. et al. Prevalence of pathological FFRCT values without coronary artery stenosis in an asymptomatic marathon runner cohort. Eur Radiol 2021; 31 (12) 8975-8982
• 28 De Bruyne B, Pijls NH, Kalesan B. et al. Fractional flow reserve-guided PCI versus medical therapy in stable coronary disease. N Engl J Med 2012; 367: 991-1001
• 29 Koo BK, Erglis A, Doh JH. et al. Diagnosis of ischemia-causing coronary stenoses by noninvasive fractional flow reserve computed from coronary computed tomographic angiograms. Results from the prospective multicenter DISCOVER-FLOW (Diagnosis of Ischemia-Causing Stenoses Obtained Via Noninvasive Fractional Flow Reserve) study. Am Coll Cardiol 2011; 58 (19) 1989-1997
• 30 Renker M, Schoepf UJ, Wang R. et al. Comparison of diagnostic value of a novel noninvasive coronary computed tomography angiography method versus standard coronary angiography for assessing fractional flow reserve. Am J Cardiol 2014; 114 (09) 1303-1308
• 31 Nørgaard BL, Leipsic J, Gaur S. et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol 2014; 63 (12) 1145-1155
• 32 Ko BS, Wong DT, Nørgaard BL. et al. Diagnostic Performance of Transluminal Attenuation Gradient and Noninvasive Fractional Flow Reserve Derived from 320-Detector Row CT Angiography to Diagnose Hemodynamically Significant Coronary Stenosis: An NXT Substudy. Radiology 2016; 279 (01) 75-83
• 33 Douglas PS, De Bruyne B, Pontone G. et al. 1-year outcomes of FFR CT guided care in patients with suspected coronary disease: the PLATFORM Study. J Am Coll Cardiol 2016; 68: 435-445
• 34 Kitabata H, Leipsic J, Patel MR. et al. Incidence and predictors of lesion-specific ischemia by FFRCT: Learnings from the international ADVANCE registry. J. Cardiovasc Comput Tomogr 2018; 12 (02) 95-100
• 35 Nørgaard BL, Terkelsen CJ, Mathiassen ON. et al. Coronary CT Angiographic and Flow Reserve-Guided Management of Patients With Stable Ischemic Heart Disease. J Am Coll Cardiol 2018; 72 (18) 2123-2134
• 36 Andreini D, Modolo R, Katagiri Y. et al. Impact of Fractional Flow Reserve Derived From Coronary Computed Tomography Angiography on Heart Team Treatment Decision-Making in Patients With Multivessel Coronary Artery Disease: Insights From the SYNTAX III REVOLUTION Trial. SYNTAX III REVOLUTION Investigators. Circ Cardiovasc Interv 2019; 12 (12) e007607
• 37 Wang ZQ, Zhou YJ, Zhao YX. et al. Diagnostic accuracy of a deep learning approach to calculate FFR from coronary CT angiography. J Geriatr Cardiol 2019; 16 (01) 42-48
• 38 McNabney CG, Sellers SL, Wilson RJA. et al. Prognosis of CT-derived Fractional Flow Reserve in the Prediction of Clinical Outcomes. Radiol Cardiothorac Imaging 2019; 1 (02) e190021
• 39 Curzen N, Nicholas Z, Stuart B. et al. Fractional flow reserve derived from computed tomography coronary angiography in the assessment and management of stable chest pain: the FORECAST randomized trial. Eur Heart J 2021; 42 (37) 3844-3852
• 40 Kawashima H, Kogame N, Ono M. et al. Diagnostic concordance and discordance between angiography-based quantitative flow ratio and fractional flow reserve derived from computed tomography in complex coronary artery disease. J Cardiovasc Comput Tomogr 2022; 16 (04) 336-342
• 41 Yang J, Shan D, Wang X. et al. On-Site Computed Tomography-Derived Fractional Flow Reserve to Guide Management of Patients With Stable Coronary Artery Disease: The TARGET Randomized Trial. Circulation 2023; 147 (18) 1369-1381
• 42 Taron J, Foldyna B, Eslami P. et al. Cardiac Computed Tomography – More Than Coronary Arteries? A Clinical Update. Rofo 2019; 191 (09) 817-826
• 43 Ding Y, Li Q, Chen Q. et al. Diagnostic performance of a novel automated CT-derived FFR technology in detecting hemodynamically significant coronary artery stenoses: A multicenter trial in China. Am Heart J 2023; 265: 180-190
• 44 Yun CH, Hung CL, Wen MS. et al. CT Assessment of Myocardial Perfusion and Fractional Flow Reserve in Coronary Artery Disease: A Review of Current Clinical Evidence and Recent Developments. Korean J Radiol 2021; 22 (11) 1749-1763
• 45 Guo B, Xing W, Hu C. et al. Clinical Effectiveness of Automated Coronary CT-derived Fractional Flow Reserve: A Chinese Randomized Controlled Trial. China CT-FFR Study 3 Group. Radiology 2024; 313 (01) e233354
• 46 Guo B, Jiang M, Guo X. et al. Diagnostic and prognostic performance of artificial intelligence-based fully-automated on-site CT-FFR in patients with CAD. Sci Bull (Beijing) 2024; 69 (10) 1472-1485
• 47 Tesche C, De Cecco CN, Albrecht MH. et al. Coronary CT Angiography-derived Fractional Flow Reserve. Radiology 2017; 285 (01) 17-33
• 48 Hagen F, Soschynski M, Weis M. et al. Photon-counting computed tomography – clinical application in oncological, cardiovascular, and pediatric radiology. Rofo 2024; 196 (01) 25-35
• 49 Stein T, Rau A, Russe MF. et al. Photon-Counting Computed Tomography – Basic Principles, Potential Benefits, and Initial Clinical Experience. Rofo 2023; 195 (08) 691-698
• 50 Vecsey-Nagy M, Varga-Szemes A, Schoepf UJ. et al. Ultra-high resolution coronary CT angiography on photon-counting detector CT: bi-centre study on the impact of quantum iterative reconstruction on image quality and accuracy of stenosis measurements. Eur J Radiol 2024; 176: 111517
• 51 Si-Mohamed SA, Boccalini S, Lacombe H.. et al. Coronary CT Angiography with Photon-counting CT: First-In-Human Results. Radiology 2022; 303 (02) 303-313
• 52 Mannil M, Hickethier T, Spiczak von J.. et al. Photon-Counting CT: High-Resolution Imaging of Coronary Stents. Invest Radiol 2018; 53 (03) 143-149
• 53 Sigovan M, Si-Mohamed S, Bar-Ness D.. et al. Feasibility of improving vascular imaging in the presence of metallic stents using spectral photon counting CT and K-edge imaging. Sci Rep 2019; 9 (01) 19850
• 54 Wolf EV, Halfmann MC, Schoepf UJ. et al. Intra-individual comparison of coronary calcium scoring between photon counting detector- and energy integrating detector-CT: effects on risk reclassification, Front Cardiovasc Med. 2023; 9: 1053398
• 55 Wolf EV, Gnasso C, Schoepf UJ. et al. Intra-individual comparison of coronary artery stenosis measurements between energy-integrating detector CT and photoncounting detector CT. Imaging 2023; 15 (10)
• 56 Zsarnoczay E, Pinos D, Schoepf UJ. et al. Intra-individual comparison of coronary CT angiography-based FFR between energy-integrating and photon-counting detector CT systems. Int J Cardiol 2024; 399: 131684
• 57 Brendel JM, Walterspiel J, Hagen F. et al. Coronary artery disease detection using deep learning and ultrahigh-resolution photon-counting coronary CT angiography. Diagn Interv Imaging 2024; S2211–5684(24)00209–2
• 58 Tomizawa N, Fujimoto S, Takahashi D. et al. Energy loss is related to CT fractional flow reserve progression in type 2 diabetes mellitus patients. Am Heart J Plus 2023; 35: 100328
• 59 Wang Z, Huang Z, Wang X. The Correlation between Region-specific Epicardial Adipose Tissue and Myocardial Ischemia Defined by CT-FFR in Type 2 Diabetes Mellitus Patients. Curr Med Imaging 2024;
• 60 Lan Z, Ding X, Yu Y. et al. CT-derived fractional flow reserve for prediction of major adverse cardiovascular events in diabetic patients. Cardiovasc Diabetol 2023; 22 (01) 65
• 61 Holmes KR, Gulsin GS, Fairbairn TA. et al. Impact of Smoking on Coronary Volume-to-Myocardial Mass Ratio: An ADVANCE Registry Substudy. Radiol Cardiothorac Imaging 2024; 6 (02) e220197
• 62 Randhawa MK, Takigami AK, Thondapu V. et al. Selective Use of CT Fractional Flow at a Large Academic Medical Center: Insights from Clinical Implementation after 1 Year of Practice. Radiol Cardiothorac Imaging 2024; 6 (02) e230073
• 63 Li J, Yang Z, Sun Z. et al. CT coronary fractional flow reserve based on artificial intelligence using different software: a repeatability study. BMC Med Imaging 2024; 24 (01) 288
• 64 Nozue T, Takamura T, Fukui K. et al. Plaque Volume and Morphology are Associated with Fractional Flow Reserve Derived from Coronary Computed Tomography Angiography. J Atheroscler Thromb 2019; 26 (08) 697-704
• 65 Ouyang LN, Wang R, Wu Q. et al. Exploratory Development of a Prognostic Model for Coronary Artery Disease Utilizing CT-FFR Derived Functional Duke Jeopardy Score. Acad Radiol 2024; S1076–6332(24)00883–3
• 66 Yi Y, Li D, Xu C. et al. Prognostic significance of stress dynamic myocardial CT perfusion: comparison with CT-FFR and CT angiography stenosis-the multicenter VALIDITY trial. Eur Radiol 2024;
• 67 McNabney CG, Sellers SL, Wilson RJA. et al. Prognosis of CT-derived Fractional Flow Reserve in the Prediction of Clinical Outcomes. Radiol Cardiothorac Imaging 2019; 1 (02) e190021
• 68 Burch RA, Siddiqui TA, Tou LC. et al. The Cost Effectiveness of Coronary CT Angiography and the Effective Utilization of CT-Fractional Flow Reserve in the Diagnosis of Coronary Artery Disease. J Cardiovasc Dev Dis 2023; 10 (01) 25
• 69 Brendel JM, Nikolaou K, Foldyna B. Plaque characterization and individualized risk assessment. Radiologie, (Heidelb) 2024; 64 (12) 946-955
• 70 Fournier S, Toth GG, De Bruyne B. et al. Six-year follow-up of fractional flow reserve-guided versus angiography-guided coronary artery bypass graft surgery. Circ Cardiovasc Interv 2018; 11 (06) e006368
• 71 Glineur D, Grau JB, Etienne PY. et al. Impact of preoperative fractional flow reserve on arterial bypass graft anastomotic function: the IMPAG trial. Eur Heart J 2019; 40 (29) 2421-2428
• 72 Mortensen MB, Sand NP, Busk M. et al. Influence of intensive lipid-lowering on CT derived fractional flow reserve in patients with stable chest pain: Rationale and design of the FLOWPROMOTE study. Clin Cardiol 2022; 45 (10) 986-994
• 73 Chen M, Almeida SO, Sayre JW. et al. Distal-vessel fractional flow reserve by computed tomography to monitor epicardial coronary artery disease. Eur Heart J Cardiovasc Imaging 2024; 25 (02) 163-172
• 74 Schuessler M, Saner F, Al-Rashid F. et al. Diagnostic accuracy of coronary computed tomography angiography-derived fractional flow reserve (CT-FFR) in patients before liver transplantation using CT-FFR machine learning algorithm. Eur Radiol 2022; 32 (12) 8761-8768
• 75 Kübler J, Brendel JM, Küstner T. et al. Artificial intelligence-enhanced detection of subclinical coronary artery disease in athletes: diagnostic performance and limitations. Int J Cardiovasc Imaging 2024; 40 (12) 2503-2511
• 76 Gohmann RF, Schug A, Krieghoff C. et al. Interrater Variability of ML-Based CT-FFR in Patients without Obstructive CAD before TAVR: Influence of Image Quality, Coronary Artery Calcifications, and Location of Measurement. J Clin Med 2024; 13 (17) 5247
• 77 Peper J, Becker LM, van den Berg H. et al. Diagnostic Performance of CCTA and CT-FFR for the Detection of CAD in TAVR Work-Up. JACC Cardiovasc Interv 2022; 15 (11) 1140-1149
• 78 Khoo JK, Sellers S, Fairbairn T. et al. Feasibility and Utility of Anatomical and Physiological Evaluation of Coronary Disease With Cardiac CT in Severe Aortic Stenosis (FUTURE-AS Registry): Rationale and Design. J Soc Cardiovasc Angiogr Interv 2024; 3: 101293
• 79 Felbel D, Buck C, Riedel N. et al. Combined Computed Coronary Tomography Angiography and Transcatheter Aortic Valve Implantation (TAVI) Planning Computed Tomography Reliably Detects Relevant Coronary Artery Disease Pre-TAVI. J Clin Med 2024; 13 (16) 4885
• 80 Steyer A, Puntmann VO, Nagel E. et al. Coronary Artery Disease Assessment via On-Site CT Fractional Flow Reserve in Patients Undergoing Transcatheter Aortic Valve Replacement. Radiol Cardiothorac Imaging 2024; 6 (02) e230096
• 81 Aquino GJ, Abadia AF, Schoepf UJ. et al. Coronary CT Fractional Flow Reserve before Transcatheter Aortic Valve Replacement: Clinical Outcomes. Radiology 2022; 302 (01) 50-58
• 82 Zhuang B, Wang S, Zhao S. et al. Computed tomography angiography-derived fractional flow reserve (CT-FFR) for the detection of myocardial ischemia with invasive fractional flow reserve as reference: systematic review and meta-analysis. Eur Radiol 2020; 30 (02) 712-725
• 83 Martin SS, Mastrodicasa D, van Assen M. et al. Value of Machine Learning-based Coronary CT Fractional Flow Reserve Applied to Triple-Rule-Out CT Angiography in Acute Chest Pain. Radiol Cardiothorac Imaging 2020; 2 (03) e190137
• 84 Meier D, Andreini D, Cosyns B. et al. Usefulness of FFR-CT to exclude haemodynamically significant lesions in high-risk NSTE-ACS. EuroIntervention 2025; 21 (01) 73-81
• 85 Fischer AM, van Assen M, Schoepf UJ. et al. Non-invasive fractional flow reserve (FFR CT ) in the evaluation of acute chest pain – Concepts and first experiences. Eur J Radiol 2021; 138: 109633
• 86 Madsen KT, Nørgaard BL, Øvrehus KA. et al. Prognostic Value of Coronary CT Angiography-derived Fractional Flow Reserve on 3-year Outcomes in Patients with Stable Angina. Radiology 2023; 308 (03) e230524
• 87 Bråten AT, Fossan FE, Muller LO. et al. Automated computed tomography-derived fractional flow reserve model for diagnosing haemodynamically significant coronary artery disease: a prospective validation study. Eur Heart J Imaging Methods Pract 2024; 2 (03) qyae102
• 88 Colleran R, Douglas PS, Hadamitzky M. et al. An FFRCT diagnostic strategy versus usual care in patients with suspected coronary artery disease planned for invasive coronary angiography at German sites: one-year results of a subgroup analysis of the PLATFORM (Prospective Longitudinal Trial of FFRCT: Outcome and Resource Impacts) study. Open Heart 2017; 4 (01) e000526
• 89 Di Pietro G, Improta R, De Filippo O. et al. Clinical impact of CCT-FFR as first-strategy in patients with symptomatic stable coronary artery disease: A systematic review and meta-analysis. Cardiovasc Comput Tomogr 2025; S1934–5925(25)00046–2
• 90 Becker LM, Peper J, van Nes SH. et al. Non-invasive physiological assessment of coronary artery obstruction on coronary computed tomography angiography. Neth Heart J 2024; 32 (11) 397-404
• 91 Sand NPR, Veien KT, Nielsen SS. et al. Prospective Comparison of FFR Derived From Coronary CT Angiography With SPECT Perfusion Imaging in Stable Coronary Artery Disease: The ReASSESS Study. JACC Cardiovasc Imaging 2018; 11 (11) 1640-1650
• 92 Nissen L, Winther S, Westra J. et al. Diagnosing coronary artery disease after a positive coronary computed tomography angiography: the Dan-NICAD open label, parallel, head to head, randomized controlled diagnostic accuracy trial of cardiovascular magnetic resonance and myocardial perfusion scintigraphy. Eur Heart J Cardiovasc Imaging 2018; 19 (04) 369-377
• 93 Peper J, Schaap J, Kelder JC. et al. Added value of computed tomography fractional flow reserve in the diagnosis of coronary artery disease. Sci Rep 2021; 11 (01) 6748
• 94 Okonogi T, Kawasaki T, Koga H. et al. Comparison of Diagnostic Performance of Fractional Flow Reserve Derived from Coronary Computed Tomographic Angiography Versus Single-Photon Emission Computed Tomographic Myocardial Perfusion Imaging. Am J Cardiol 2021; 159: 36-43
• 95 Driessen RS, Danad I, Stuijfzand WJ. et al. Comparison of Coronary Computed Tomography Angiography, Fractional Flow Reserve, and Perfusion Imaging for Ischemia Diagnosis. J Am Coll Cardiol 2019; 73 (02) 161-173
• 96 Nørgaard BL, Gormsen LC, Bøtker HE. et al. Myocardial Perfusion Imaging Versus Computed Tomography Angiography-Derived Fractional Flow Reserve Testing in Stable Patients With Intermediate-Range Coronary Lesions: Influence on Downstream Diagnostic Workflows and Invasive Angiography Findings. J Am Heart Assoc 2017; 6 (08) e005587
• 97 Miyajima K, Motoyama S, Sarai M. et al. On-site assessment of computed tomography-derived fractional flow reserve in comparison with myocardial perfusion imaging and invasive fractional flow reserve. Heart Vessels 2020; 35 (10) 1331-1340
• 98 Pontone G, Baggiano A, Andreini D. et al. Dynamic Stress Computed Tomography Perfusion With a Whole-Heart Coverage Scanner in Addition to Coronary Computed Tomography Angiography and Fractional Flow Reserve Computed Tomography Derived. JACC Cardiovasc Imaging 2019; 12 (12) 2460-2471
• 99 Tanaka H, Takahashi T, Ohashi N. et al. Diagnostic value of thallium-201 myocardial perfusion IQ-SPECT without and with computed tomography-based attenuation correction to predict clinically significant and insignificant fractional flow reserve: A single-center prospective study. Medicine (Baltimore) 2017; 96 (51) e9275
• 100 Rønnow Sand NP, Nissen L, Winther S. et al. Prediction of Coronary Revascularization in Stable Angina: Comparison of FFRCT With CMR Stress Perfusion Imaging. JACC Cardiovasc Imaging 2020; 13 (04) 994-1004
• 101 Lossnitzer D, Klenantz S, Andre F. et al. Stable patients with suspected myocardial ischemia: comparison of machine-learning computed tomography-based fractional flow reserve and stress perfusion cardiovascular magnetic resonance imaging to detect myocardial ischemia. BMC Cardiovasc Disord 2022; 22 (01) 34
• 102 Guo W, Zhao S, Xu H. et al. Comparison of machine learning-based CT fractional flow reserve with cardiac MR perfusion mapping for ischemia diagnosis in stable coronary artery disease. Eur Radiol 2024; 34 (09) 5654-5665
• 103 Hlatky MA, Saxena A, Koo BK. et al. Projected costs and consequences of computed tomography-determined fractional flow reserve. Clin Cardiol 2013; 36 (12) 743-748
• 104 Kimura T, Shiomi H, Kuribayashi S. et al. Cost analysis of non-invasive fractional flow reserve derived from coronary computed tomographic angiography in Japan. Cardiovasc Interv Ther 2015; 30 (01) 38-44
• 105 Graby J, Metters R, Kandan SR. et al. Real-world clinical and cost analysis of CT coronary angiography and CT coronary angiography-derived fractional flow reserve (FFR(CT))-guided care in the National Health Service. Clin Radiol 2021; 76 (11) 862.e19-862.e28
• 106 Mittal TK, Hothi SS, Venugopal V. et al. The Use and Efficacy of FFR-CT: Real-World Multicenter Audit of Clinical Data With Cost Analysis. JACC Cardiovasc Imaging 2023; 16 (08) 1056-1065
• 107 Min JK, Koo BK, Erglis A. et al. Effect of image quality on diagnostic accuracy of noninvasive fractional flow reserve: results from the prospective multicenter international DISCOVER-FLOW study. Cardiovasc Comput Tomogr 2012; 6 (03) 191-199
• 108 Xu C, Yi Y, Xu M. et al. Diagnostic value of deep learning reconstruction-based subtraction CT-FFR in patients with calcified-related stenosis or stent implantation. Quant Imaging Med Surg 2025; 15 (02) 1599-1612
• 109 Tang CX, Guo BJ, Schoepf JU. et al. Feasibility and prognostic role of machine learning-based FFRCT in patients with stent implantation. Eur Radiol 2021; 31 (09) 6592-6604
• 110 Renker M, Schoepf UJ, Becher T. et al. Computed tomography in patients with chronic stable angina : Fractional flow reserve measurement. Herz 2017; 42 (01) 51-57
• 111 Lisi C, Moser LJ, Mergen V. et al. Increasing the rate of datasets amenable to CTFFR and quantitative plaque analysis: Value of software for reducing stair-step artifacts demonstrated in photon-counting detector CT. Eur J Radiol Open 2024; 12: 100574