Termisk ansigtsscanning og kunstig intelligens forudsiger nøjagtigt koronar hjertesygdom

Undersøgelsen blev offentliggjort i BMJ Health & Care Informaticshar fundet ud af, at en kombination af ansigts termisk billeddannelse og kunstig intelligens (AI) nøjagtigt kan forudsige tilstedeværelsen af koronararteriesygdom (CHD). Denne ikke-invasive, realtidsmetode viste sig at være mere effektiv end traditionelle metoder og kunne introduceres i klinisk praksis for at forbedre diagnostisk nøjagtighed og arbejdsgang, hvis den blev testet i større og mere etnisk forskelligartede patientpopulationer, foreslår forskerne. p>

Nuværende retningslinjer for diagnosticering af koronararteriesygdom er afhængige af skøn over sandsynligheden for risikofaktorer, som ikke altid er nøjagtige eller bredt anvendelige, siger forskere. Selvom disse metoder kan suppleres med andre diagnostiske værktøjer såsom EKG'er, angiogrammer og blodprøver, er de ofte tidskrævende og invasive, tilføjer forskerne.

Termisk billeddannelse, som registrerer fordelingen og temperaturvariationerne på overfladen af et objekt ved at detektere infrarød stråling, er ikke-invasiv. Det har vist sig at være et lovende værktøj til sygdomsvurdering, da det kan identificere områder med unormal cirkulation og betændelse baseret på hudtemperaturmønstre.

Fremkomsten af maskinlæringsteknologier (AI) med deres evne til at udtrække, behandle og integrere kompleks information kan forbedre nøjagtigheden og effektiviteten af termisk billeddiagnostik.

Forskere besluttede at undersøge muligheden for at bruge termisk billeddannelse i kombination med AI til præcist at forudsige tilstedeværelsen af koronararteriesygdom uden behov for invasive og tidskrævende metoder hos 460 mennesker med mistanke om hjertesygdom. Deres gennemsnitsalder var 58 år; 126 (27,5%) af dem var kvinder.

Varmebilleder af deres ansigter blev taget forud for bekræftende undersøgelser for at udvikle og validere en AI-understøttet billeddannelsesmodel til påvisning af koronararteriesygdom.

I alt 322 deltagere (70 %) havde bekræftet koronar hjertesygdom. Disse mennesker havde en tendens til at være ældre og mere tilbøjelige til at være mænd. De var også mere tilbøjelige til at have livsstils-, kliniske og biokemiske risikofaktorer samt hyppigere brug af forebyggende medicin.

Termisk billeddannelse og AI-tilgang var omkring 13 % bedre til at forudsige koronar hjertesygdom end foreløbig risikovurdering ved hjælp af traditionelle risikofaktorer og kliniske tegn og symptomer. Blandt de tre mest betydningsfulde termiske indikatorer var den mest indflydelsesrige den samlede temperaturforskel mellem venstre og højre side af ansigtet efterfulgt af maksimal ansigtstemperatur og gennemsnitlig ansigtstemperatur.

Konkret var gennemsnitstemperaturen i venstre kæberegion den stærkeste forudsigelse, efterfulgt af temperaturforskellen i højre øjenregion og temperaturforskellen mellem venstre og højre tinding.

Tilgangen identificerede også effektivt traditionelle risikofaktorer for koronar hjertesygdom: højt kolesteroltal, mandligt køn, rygning, overvægt (BMI), fastende glukose og indikatorer for inflammation.

Forskerne anerkender den relativt lille stikprøvestørrelse af deres undersøgelse og det faktum, at den kun blev udført på ét center. Derudover blev alle undersøgelsesdeltagere henvist til bekræftende test for mistanke om hjertesygdom.

Holdet skriver imidlertid: "[termisk billeddannelse]'s evne til at forudsige baseret på [koronar hjertesygdom] peger på potentielle fremtidige anvendelser og forskningsmuligheder... Som en biofysiologisk sundhedsvurderingsmetode giver [den] sygdom- relateret information ud over traditionelle kliniske målinger, som kan forbedre vurderingen af [aterosklerotisk kardiovaskulær sygdom] og relaterede kroniske tilstande."

"Den berøringsfrie, realtidsnatur af [det] giver mulighed for øjeblikkelig sygdomsvurdering på plejestedet, hvilket kan strømline kliniske arbejdsgange og spare tid til vigtige læge- og patientbeslutninger. Derudover har det potentialet til masseforeløbig screening."

Forskerne konkluderer: "Vores udviklede [termisk billeddannelse] forudsigelsesmodeller baseret på avancerede [machine learning] teknologier viste et lovende potentiale sammenlignet med nuværende traditionelle kliniske værktøjer."

"Yderligere undersøgelser, der involverer et større antal patienter og forskellige populationer er nødvendige for at bekræfte den eksterne validitet og generaliserbarhed af de aktuelle resultater."