Η θερμική απεικόνιση προσώπου και η τεχνητή νοημοσύνη προβλέπουν με ακρίβεια τη στεφανιαία νόσο

Μια μελέτη που δημοσιεύτηκε στο περιοδικό BMJ Health & Care Informatics διαπίστωσε ότι ένας συνδυασμός θερμικής απεικόνισης προσώπου και τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει με ακρίβεια τη στεφανιαία νόσο (CAD). Η μη επεμβατική μέθοδος σε πραγματικό χρόνο βρέθηκε να είναι πιο αποτελεσματική από τις παραδοσιακές μεθόδους και θα μπορούσε να εφαρμοστεί στην κλινική πράξη για να βελτιώσει την διαγνωστική ακρίβεια και τη ροή εργασίας, εάν δοκιμαστεί σε μεγαλύτερους, πιο εθνοτικά ποικίλους πληθυσμούς ασθενών, σύμφωνα με τους ερευνητές.

Οι τρέχουσες οδηγίες για τη διάγνωση της στεφανιαίας νόσου βασίζονται στις πιθανότητες των παραγόντων κινδύνου, οι οποίες δεν είναι πάντα ακριβείς ή ευρέως εφαρμόσιμες, λένε οι ερευνητές. Ενώ αυτές οι μέθοδοι μπορούν να συμπληρωθούν με άλλα διαγνωστικά εργαλεία, όπως ΗΚΓ, αγγειογραφήματα και εξετάσεις αίματος, είναι συχνά χρονοβόρες και επεμβατικές, προσθέτουν οι ερευνητές.

Η θερμική απεικόνιση, η οποία καταγράφει την κατανομή και τις διακυμάνσεις της θερμοκρασίας στην επιφάνεια ενός αντικειμένου ανιχνεύοντας υπέρυθρη ακτινοβολία, είναι μη επεμβατική. Έχει αποδειχθεί ως ένα πολλά υποσχόμενο εργαλείο για την αξιολόγηση ασθενειών, καθώς μπορεί να εντοπίσει περιοχές με μη φυσιολογική κυκλοφορία του αίματος και φλεγμονή με βάση τα πρότυπα θερμοκρασίας του δέρματος.

Η έλευση των τεχνολογιών μηχανικής μάθησης (AI) με την ικανότητά τους να εξάγουν, να επεξεργάζονται και να ενσωματώνουν πολύπλοκες πληροφορίες μπορεί να βελτιώσει την ακρίβεια και την αποτελεσματικότητα των διαγνωστικών θερμικής απεικόνισης.

Οι ερευνητές ξεκίνησαν να διερευνούν τη δυνατότητα χρήσης θερμικής απεικόνισης σε συνδυασμό με τεχνητή νοημοσύνη για την ακριβή πρόβλεψη της παρουσίας στεφανιαίας νόσου χωρίς την ανάγκη επεμβατικών και χρονοβόρων μεθόδων σε 460 άτομα με υποψία καρδιακής νόσου. Η μέση ηλικία τους ήταν 58 έτη. 126 (27,5%) ήταν γυναίκες.

Ελήφθησαν θερμικές εικόνες των προσώπων τους πριν από τις επιβεβαιωτικές εξετάσεις για την ανάπτυξη και την επικύρωση ενός μοντέλου απεικόνισης με υποβοήθηση τεχνητής νοημοσύνης για την ανίχνευση στεφανιαίας νόσου.

Συνολικά 322 συμμετέχοντες (70%) είχαν επιβεβαιωμένη στεφανιαία νόσο. Αυτά τα άτομα ήταν γενικά μεγαλύτερης ηλικίας και πιο πιθανό να ήταν άνδρες. Ήταν επίσης πιο πιθανό να έχουν παράγοντες κινδύνου που σχετίζονται με τον τρόπο ζωής, κλινικούς και βιοχημικούς παράγοντες κινδύνου, καθώς και να χρησιμοποιούν προληπτικά φάρμακα πιο συχνά.

Η προσέγγιση που χρησιμοποιεί θερμική απεικόνιση και τεχνητή νοημοσύνη ήταν περίπου 13% καλύτερη στην πρόβλεψη της στεφανιαίας νόσου από μια προαξιολόγηση του κινδύνου χρησιμοποιώντας παραδοσιακούς παράγοντες κινδύνου και κλινικά σημεία και συμπτώματα. Μεταξύ των τριών πιο σημαντικών θερμικών δεικτών, η συνολική διαφορά θερμοκρασίας μεταξύ της αριστερής και της δεξιάς πλευράς του προσώπου ήταν η πιο σημαντική, ακολουθούμενη από τη μέγιστη θερμοκρασία του προσώπου και τη μέση θερμοκρασία του προσώπου.

Συγκεκριμένα, η μέση θερμοκρασία της περιοχής της αριστερής γνάθου ήταν ο ισχυρότερος προγνωστικός παράγοντας, ακολουθούμενη από τη διαφορά θερμοκρασίας στην περιοχή του δεξιού ματιού και τη διαφορά θερμοκρασίας μεταξύ του αριστερού και του δεξιού κροτάφου.

Η προσέγγιση εντόπισε επίσης αποτελεσματικά τους παραδοσιακούς παράγοντες κινδύνου για στεφανιαία νόσο: υψηλή χοληστερόλη, ανδρικό φύλο, κάπνισμα, υπερβολικό βάρος (ΔΜΣ), γλυκόζη νηστείας και δείκτες φλεγμονής.

Οι ερευνητές αναγνωρίζουν το σχετικά μικρό μέγεθος δείγματος της μελέτης τους και το γεγονός ότι διεξήχθη μόνο σε ένα κέντρο. Επιπλέον, όλοι οι συμμετέχοντες στη μελέτη παραπέμφθηκαν για επιβεβαιωτικές εξετάσεις εάν υπήρχε υποψία καρδιακής νόσου.

Ωστόσο, η ομάδα γράφει: «Η ικανότητα της [θερμικής απεικόνισης] να προβλέπει [στεφανιαία νόσο] υποδεικνύει πιθανές μελλοντικές εφαρμογές και ερευνητικές ευκαιρίες... Ως βιοφυσιολογική μέθοδος για την αξιολόγηση της υγείας, [αυτή] παρέχει πληροφορίες σχετικές με τη νόσο πέρα από τις παραδοσιακές κλινικές μετρήσεις, οι οποίες μπορούν να βελτιώσουν την αξιολόγηση της [αθηροσκληρωτικής καρδιαγγειακής νόσου] και των σχετικών χρόνιων παθήσεων».

«[Η] φύση του χωρίς επαφή, σε πραγματικό χρόνο, επιτρέπει την άμεση αξιολόγηση της νόσου στο σημείο της περίθαλψης, η οποία μπορεί να βελτιστοποιήσει τις κλινικές ροές εργασίας και να εξοικονομήσει χρόνο για σημαντικές αποφάσεις γιατρών και ασθενών. Έχει επίσης τη δυνατότητα για μαζικό προκαταρκτικό έλεγχο.»

Οι ερευνητές καταλήγουν στο συμπέρασμα: «Τα μοντέλα πρόβλεψης [θερμικής απεικόνισης] που αναπτύξαμε και βασίζονται σε προηγμένες τεχνολογίες [μηχανικής μάθησης] έδειξαν πολλά υποσχόμενες δυνατότητες σε σύγκριση με τα τρέχοντα παραδοσιακά κλινικά εργαλεία».

«Απαιτούνται περαιτέρω μελέτες που να περιλαμβάνουν μεγαλύτερο αριθμό ασθενών και ποικίλους πληθυσμούς για να επιβεβαιωθεί η εξωτερική εγκυρότητα και η γενικευσιμότητα των τρεχόντων ευρημάτων».