Η θερμοκρασία του προσώπου μπορεί να προβλέψει τις καρδιακές παθήσεις με μεγαλύτερη ακρίβεια από τις τρέχουσες μεθόδους

Σε μια πρόσφατη μελέτη που δημοσιεύτηκε στο BMJ Health & Care Informatics, οι ερευνητές αξιολόγησαν τη σκοπιμότητα χρήσης υπέρυθρης θερμογραφίας προσώπου (IRT) για την πρόβλεψη της στεφανιαίας νόσου (CHD).

Η IHD είναι μία από τις κύριες αιτίες θανάτου και έχει σημαντική παγκόσμια επιβάρυνση. Η ακριβής διάγνωση της ΣΝ είναι σημαντική για τη φροντίδα και τη θεραπεία. Επί του παρόντος, τα εργαλεία αξιολόγησης πιθανοτήτων προ-δοκιμής (PTP) χρησιμοποιούνται για τον προσδιορισμό της πιθανότητας ΣΝ σε ασθενείς. Ωστόσο, αυτά τα εργαλεία έχουν προβλήματα υποκειμενικότητας, περιορισμένης ευελιξίας και μέτριας ακρίβειας.

Αν και πρόσθετες καρδιαγγειακές δοκιμές (αριθμός στεφανιαίου ασβεστίου και ηλεκτροκαρδιογραφία) ή εξελιγμένα κλινικά μοντέλα που ενσωματώνουν πρόσθετους εργαστηριακούς δείκτες και παράγοντες κινδύνου μπορούν να βελτιώσουν τις εκτιμήσεις πιθανοτήτων, υπάρχουν ανησυχίες σχετικά με τη χρονική απόδοση, την πολυπλοκότητα της διαδικασίας και την περιορισμένη διαθεσιμότητα. p>

Η IRT, μια τεχνολογία ανίχνευσης θερμοκρασίας επιφάνειας χωρίς επαφή, δείχνει πολλά υποσχόμενη για αξιολόγηση ασθενειών. Μπορεί να ανιχνεύσει φλεγμονή και μη φυσιολογική κυκλοφορία μέσω των μοτίβων θερμοκρασίας του δέρματος. Η έρευνα δείχνει συσχετίσεις μεταξύ πληροφοριών IRT και αθηροσκληρωτικής καρδιαγγειακής νόσου και σχετικών καταστάσεων.

Σε αυτήν τη μελέτη, οι ερευνητές αξιολόγησαν τη σκοπιμότητα χρήσης δεδομένων θερμοκρασίας IRT προσώπου για την πρόβλεψη CAD. Στη μελέτη συμπεριλήφθηκαν ενήλικες που υποβλήθηκαν σε στεφανιαία CT αγγειογραφία (CCTA) ή επεμβατική στεφανιογραφία (ICA). Το εκπαιδευμένο προσωπικό έλαβε τα ακατέργαστα δεδομένα και διεξήγαγε την έρευνα IRT πριν από την CCTA ή την ICA.

Χρησιμοποιήθηκαν ηλεκτρονικά ιατρικά αρχεία για τη λήψη πρόσθετων πληροφοριών, συμπεριλαμβανομένων της χημείας του αίματος, του κλινικού ιστορικού, των παραγόντων κινδύνου και των αποτελεσμάτων προσυμπτωματικού ελέγχου CHD. Μία εικόνα IRT ανά συμμετέχοντα επιλέχθηκε για ανάλυση και υποβλήθηκε σε επεξεργασία (ενοποιημένη αλλαγή μεγέθους, μετατροπή σε κλίμακα του γκρι και περικοπή φόντου).

Η ομάδα ανέπτυξε ένα μοντέλο εικόνας IRT χρησιμοποιώντας έναν προηγμένο αλγόριθμο βαθιάς εκμάθησης. Δύο μοντέλα αναπτύχθηκαν για σύγκριση: το ένα ήταν ένα μοντέλο PTP (κλινική βάση) που περιελάμβανε την ηλικία, το φύλο και τα χαρακτηριστικά των συμπτωμάτων των ασθενών και το άλλο ήταν ένα υβριδικό, συνδυάζοντας τόσο πληροφορίες IRT όσο και κλινικές πληροφορίες από τα μοντέλα IRT και PTP, αντίστοιχα..

Έγιναν αρκετές ερμηνευτικές αναλύσεις, συμπεριλαμβανομένων πειραμάτων απόφραξης, απεικόνισης χάρτη απέκκρισης, αναλύσεων δόσης-απόκρισης και πρόβλεψης υποκατάστατης ετικέτας CAD. Επιπλέον, από την εικόνα IRT εξήχθησαν διάφορα χαρακτηριστικά πίνακα IRT, ταξινομημένα στο επίπεδο ολόκληρου του προσώπου και της περιοχής ενδιαφέροντος (ROI).

Συνολικά, τα εξαγόμενα χαρακτηριστικά ταξινομήθηκαν σε χαρακτηριστικά υφής πρώτης τάξης, υφής δεύτερης τάξης, θερμοκρασίας και χαρακτηριστικά ανάλυσης φράκταλ. Ο αλγόριθμος XGBoost ενσωμάτωσε αυτά τα εξαγόμενα χαρακτηριστικά και αξιολόγησε την προγνωστική τους αξία για CAD. Οι ερευνητές αξιολόγησαν την απόδοση χρησιμοποιώντας όλα τα χαρακτηριστικά και μόνο τα χαρακτηριστικά θερμοκρασίας.

Συνολικά 893 ενήλικες που υποβλήθηκαν σε CCTA ή ICA αξιολογήθηκαν μεταξύ Σεπτεμβρίου 2021 και Φεβρουαρίου 2023. Από αυτούς, συμπεριλήφθηκαν 460 συμμετέχοντες με μέση ηλικία τα 58,4 έτη. Το 27,4% ήταν γυναίκες και το 70% είχε ΣΝ. Οι ασθενείς με ΣΝ είχαν υψηλότερη ηλικία και επικράτηση παραγόντων κινδύνου σε σύγκριση με ασθενείς χωρίς ΣΝ. Το μοντέλο εικόνας IRT ξεπέρασε σημαντικά το μοντέλο PTP.

Ωστόσο, η απόδοση των μοντέλων υβριδικής και IRT απεικόνισης δεν διέφερε σημαντικά. Η χρήση μόνο χαρακτηριστικών θερμοκρασίας ή όλων των εξαγόμενων χαρακτηριστικών είχε ανώτερη προγνωστική απόδοση, η οποία ήταν σύμφωνη με το μοντέλο απεικόνισης IRT. Στο επίπεδο ολόκληρου του προσώπου, η μεγαλύτερη επιρροή ήταν η συνολική διαφορά θερμοκρασίας από αριστερά προς τα δεξιά, ενώ στο επίπεδο ROI, η μέση θερμοκρασία της αριστερής γνάθου είχε τη μεγαλύτερη επίδραση.

Παρατηρήθηκαν διάφορα επίπεδα υποβάθμισης της απόδοσης για το μοντέλο εικόνας IRT όταν αποφράχτηκαν διαφορετικές ROI. Η απόφραξη των περιοχών του άνω και κάτω χείλους είχε τη μεγαλύτερη επίδραση. Επιπλέον, το μοντέλο απεικόνισης IRT είχε καλή απόδοση στην πρόβλεψη υποκατάστατων δεικτών που σχετίζονται με ΣΝ, όπως υπερλιπιδαιμία, κάπνισμα, δείκτης μάζας σώματος, γλυκοζυλιωμένη αιμοσφαιρίνη και φλεγμονή.

Η μελέτη έδειξε τη σκοπιμότητα χρήσης δεδομένων θερμοκρασίας IRT προσώπου για την πρόβλεψη CAD. Το μοντέλο απεικόνισης IRT ξεπέρασε τις επιδόσεις του συνιστώμενου από τις κατευθυντήριες γραμμές μοντέλο PTP, υπογραμμίζοντας τις δυνατότητές του στην αξιολόγηση της CAD. Επιπλέον, η ενσωμάτωση κλινικών πληροφοριών στο μοντέλο εικόνας IRT δεν παρείχε πρόσθετες βελτιώσεις, υποδηλώνοντας ότι οι εξαγόμενες πληροφορίες IRT περιείχαν ήδη σημαντικές πληροφορίες σχετικά με το CAD.

Επιπλέον, η προγνωστική αξία του μοντέλου IRT επιβεβαιώθηκε χρησιμοποιώντας ερμηνεύσιμα χαρακτηριστικά πίνακα IRT που ήταν σχετικά συνεπή με το μοντέλο εικόνας IRT. Αυτά τα χαρακτηριστικά παρείχαν επίσης πληροφορίες σχετικά με σημαντικές πτυχές για την πρόβλεψη CAD, όπως η συμμετρία της θερμοκρασίας του προσώπου και η ανομοιόμορφη κατανομή. Απαιτούνται περαιτέρω μελέτες με μεγαλύτερα δείγματα και διαφορετικούς πληθυσμούς για επικύρωση.