Termiske ansigtsbilleder og AI forudsiger præcist koronar hjertesygdom

En undersøgelse offentliggjort i tidsskriftet BMJ Health & Care Informatics har vist, at en kombination af termisk billeddannelse af ansigtet og kunstig intelligens (AI) præcist kan forudsige koronararteriesygdom (CAD). Forskerne foreslår, at den ikke-invasive realtidsmetode er mere effektiv end traditionelle metoder og kan implementeres i klinisk praksis for at forbedre diagnostisk nøjagtighed og arbejdsgang, hvis den testes i større og mere etnisk forskelligartede patientpopulationer.

Nuværende retningslinjer for diagnosticering af koronararteriesygdom er baseret på sandsynligheder for risikofaktorer, som ikke altid er præcise eller bredt anvendelige, siger forskerne. Selvom disse metoder kan suppleres med andre diagnostiske værktøjer, såsom EKG'er, angiogrammer og blodprøver, er de ofte tidskrævende og invasive, tilføjer forskerne.

Termografi, som registrerer temperaturfordelingen og variationerne 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 blodcirkulation og inflammation 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.

Forskerne satte sig for at undersøge muligheden for at bruge termisk billeddannelse kombineret med kunstig intelligens til præcist at forudsige tilstedeværelsen af koronararteriesygdom uden behov for invasive og tidskrævende metoder hos 460 personer med mistanke om hjertesygdom. Deres gennemsnitsalder var 58 år; 126 (27,5%) var kvinder.

Der blev taget termiske billeder af deres ansigter forud for bekræftende undersøgelser for at udvikle og validere en AI-assisteret billeddannelsesmodel til påvisning af koronararteriesygdom.

I alt 322 deltagere (70%) havde bekræftet koronar hjertesygdom. Disse personer var generelt ældre og mere tilbøjelige til at være mænd. De var også mere tilbøjelige til at have livsstils-, kliniske og biokemiske risikofaktorer og til at bruge forebyggende medicin oftere.

Tilgangen med termografi og kunstig intelligens var cirka 13 % bedre til at forudsige koronar hjertesygdom end en forudgående risikovurdering ved hjælp af traditionelle risikofaktorer og kliniske tegn og symptomer. Blandt de tre mest betydningsfulde termiske indikatorer var den samlede temperaturforskel mellem venstre og højre side af ansigtet den mest indflydelsesrige, efterfulgt af maksimal ansigtstemperatur og gennemsnitlig ansigtstemperatur.

Især gennemsnitstemperaturen i venstre kæberegion var den stærkeste prædiktor, efterfulgt af temperaturforskellen i højre øjenregion og temperaturforskellen mellem venstre og højre tindinger.

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

Forskerne anerkender den relativt lille stikprøvestørrelse i deres undersøgelse og det faktum, at den kun blev udført på ét center. Derudover blev alle undersøgelsesdeltagere henvist til bekræftende tests, hvis de havde mistanke om hjertesygdom.

Holdet skriver dog: "[Termografiens] evne til at forudsige [koronararteriesygdom] peger på potentielle fremtidige anvendelser og forskningsmuligheder... Som en biofysiologisk metode til vurdering af helbred giver [den] sygdomsrelateret information ud over traditionelle kliniske målinger, hvilket kan forbedre vurderingen af [aterosklerotisk hjerte-kar-sygdom] og relaterede kroniske tilstande."

"[Dens] kontaktløse realtidsnatur muliggør øjeblikkelig sygdomsvurdering på behandlingsstedet, hvilket kan strømline kliniske arbejdsgange og spare tid til vigtige beslutninger truffet af læger og patienter. Det har også potentiale til masseforscreening."

Forskerne konkluderer: "Vores udviklede [termografiske] forudsigelsesmodeller baseret på avancerede [maskinlærings]teknologier viste lovende potentiale sammenlignet med nuværende traditionelle kliniske værktøjer."

"Yderligere undersøgelser med et større antal patienter og forskellige populationer er nødvendige for at bekræfte den eksterne validitet og generaliserbarhed af de nuværende resultater."