Η θερμική σάρωση προσώπου και η τεχνητή νοημοσύνη προβλέπουν με ακρίβεια τη στεφανιαία νόσο
Τελευταία επισκόπηση: 14.06.2024
Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Η μελέτη δημοσιεύτηκε στο BMJ Health & Η Care Informaticsδιαπίστωσε ότι ένας συνδυασμός θερμικής απεικόνισης προσώπου και τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει με ακρίβεια την παρουσία στεφανιαίας νόσου (CHD). Αυτή η μη επεμβατική μέθοδος σε πραγματικό χρόνο βρέθηκε ότι είναι πιο αποτελεσματική από τις παραδοσιακές μεθόδους και θα μπορούσε να εισαχθεί στην κλινική πράξη για τη βελτίωση της διαγνωστικής ακρίβειας και της ροής εργασιών, εάν δοκιμαστεί σε μεγαλύτερους και πιο διαφορετικούς εθνοτικά πληθυσμούς ασθενών, προτείνουν οι ερευνητές. p>
Οι τρέχουσες οδηγίες για τη διάγνωση της στεφανιαίας νόσου βασίζονται σε εκτιμήσεις της πιθανότητας παραγόντων κινδύνου που δεν είναι πάντα ακριβείς ή ευρέως εφαρμόσιμοι, λένε οι ερευνητές. Αν και 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 τις διακυμάνσεις κατανομής και θερμοκρασίας στην επιφάνεια ενός αντικειμένου ανιχνεύοντας υπέρυθρη ακτινοβολία, είναι μη επεμβατική. Έχει αποδειχθεί ένα πολλά υποσχόμενο εργαλείο για την αξιολόγηση της νόσου, καθώς μπορεί να εντοπίσει περιοχές με μη φυσιολογική κυκλοφορία και φλεγμονή με βάση τα πρότυπα θερμοκρασίας του δέρματος.
Η εμφάνιση τεχνολογιών μηχανικής μάθησης (AI) με την ικανότητά τους να εξάγουν, να επεξεργάζονται και να ενσωματώνουν σύνθετες πληροφορίες μπορεί να βελτιώσει την ακρίβεια και την αποτελεσματικότητα των διαγνωστικών θερμικής απεικόνισης.
Ερευνητές αποφάσισαν να μελετήσουν 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. Ο μέσος όρος ηλικίας τους ήταν 58 ετών. 126 (27,5%) από αυτές ήταν γυναίκες.
Εικόνες θερμικής απεικόνισης των προσώπων τους λήφθηκαν πριν από τις επιβεβαιωτικές εξετάσεις για την ανάπτυξη και την επικύρωση ενός μοντέλου απεικόνισης που υποστηρίζεται από AI για τον εντοπισμό της στεφανιαίας νόσου.
Συνολικά 322 συμμετέχοντες (70%) είχαν επιβεβαιωμένη στεφανιαία νόσο. Αυτά τα άτομα έτειναν να είναι μεγαλύτερα και πιο πιθανό να είναι άνδρες. Ήταν επίσης πιο πιθανό να έχουν παράγοντες κινδύνου τρόπου ζωής, κλινικούς και βιοχημικούς κινδύνου, καθώς και συχνότερη χρήση προληπτικών φαρμάκων.
Η θερμική απεικόνιση και η προσέγγιση τεχνητής νοημοσύνης ήταν περίπου 13% καλύτερη στην πρόβλεψη της στεφανιαίας νόσου από την προκαταρκτική αξιολόγηση κινδύνου χρησιμοποιώντας παραδοσιακούς παράγοντες κινδύνου και κλινικά σημεία και συμπτώματα. Μεταξύ των τριών πιο σημαντικών θερμικών δεικτών, η μεγαλύτερη επιρροή ήταν η συνολική διαφορά θερμοκρασίας μεταξύ της αριστερής και της δεξιάς πλευράς του προσώπου, ακολουθούμενη από τη μέγιστη θερμοκρασία προσώπου και τη μέση θερμοκρασία προσώπου.
Συγκεκριμένα, η μέση θερμοκρασία της αριστερής περιοχής της γνάθου ήταν ο ισχυρότερος προγνωστικός δείκτης, ακολουθούμενη από τη διαφορά θερμοκρασίας στην περιοχή του δεξιού ματιού και τη διαφορά θερμοκρασίας μεταξύ του αριστερού και του δεξιού κροτάφους.
Η προσέγγιση εντόπισε επίσης αποτελεσματικά τους παραδοσιακούς παράγοντες κινδύνου για στεφανιαία νόσο: υψηλή χοληστερόλη, αρσενικό φύλο, κάπνισμα, υπέρβαρο (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 δοκιμές για ύποπτη καρδιακή νόσο.
Ωστόσο, η ομάδα γράφει: «Η ικανότητα της [θερμικής απεικόνισης] να προβλέπει βάσει [στεφανιαίας νόσου] δείχνει πιθανές μελλοντικές εφαρμογές και ερευνητικές ευκαιρίες... Ως μέθοδος βιοφυσιολογικής αξιολόγησης της υγείας, [παρέχει] νόσο σχετικές πληροφορίες πέρα από τις παραδοσιακές κλινικές μετρήσεις, οι οποίες μπορεί να βελτιώσουν την αξιολόγηση της [αθηροσκληρωτικής καρδιαγγειακής νόσου] και των σχετικών χρόνιων παθήσεων."
"Η φύση του [του] χωρίς επαφή και σε πραγματικό χρόνο επιτρέπει τη στιγμιαία αξιολόγηση της νόσου στο σημείο της περίθαλψης, η οποία μπορεί να βελτιστοποιήσει τις κλινικές ροές εργασιών και να εξοικονομήσει χρόνο για σημαντικές αποφάσεις γιατρού και ασθενών. Επιπλέον, έχει τη δυνατότητα για μαζικό προκαταρκτικό έλεγχο."
Οι ερευνητές καταλήγουν στο συμπέρασμα: "Τα αναπτυγμένα μοντέλα πρόβλεψης [θερμικής απεικόνισης] που βασίζονται σε προηγμένες τεχνολογίες [μηχανικής μάθησης] έδειξαν πολλά υποσχόμενες δυνατότητες σε σύγκριση με τα τρέχοντα παραδοσιακά κλινικά εργαλεία."
"Απαιτούνται περαιτέρω μελέτες που αφορούν μεγαλύτερο αριθμό ασθενών και διαφορετικούς πληθυσμούς για να επιβεβαιωθεί η εξωτερική εγκυρότητα και η γενίκευση των τρεχόντων ευρημάτων."