Värmeavbildning av ansiktet och AI förutspår med precision kranskärlssjukdom

En studie publicerad i tidskriften BMJ Health & Care Informatics har funnit att en kombination av ansiktsvärmeavbildning och artificiell intelligens (AI) kan förutsäga kranskärlssjukdom (CAD) med säkerhet. Den icke-invasiva realtidsmetoden visade sig vara mer effektiv än traditionella metoder och skulle kunna implementeras i klinisk praxis för att förbättra diagnostisk noggrannhet och arbetsflöde, om den testas i större, mer etniskt diversifierade patientpopulationer, föreslår forskarna.

Nuvarande riktlinjer för att diagnostisera kranskärlssjukdom bygger på sannolikheter för riskfaktorer, vilka inte alltid är korrekta eller allmänt tillämpbara, säger forskarna. Även om dessa metoder kan kompletteras med andra diagnostiska verktyg, såsom EKG, angiogram och blodprov, är de ofta tidskrävande och invasiva, tillägger forskarna.

Värmeavbildning, som registrerar temperaturfördelningen och variationerna på ytan av ett objekt genom att detektera infraröd strålning, är icke-invasiv. Den har visat sig vara ett lovande verktyg för sjukdomsbedömning, eftersom den kan identifiera områden med onormal blodcirkulation och inflammation baserat på hudtemperaturmönster.

Tillkomsten av maskininlärningsteknik (AI) med deras förmåga att extrahera, bearbeta och integrera komplex information kan förbättra noggrannheten och effektiviteten hos termografidiagnostik.

Forskarna började undersöka möjligheten att använda värmeavbildning i kombination med AI för att korrekt förutsäga förekomsten av kranskärlssjukdom utan behov av invasiva och tidskrävande metoder hos 460 personer med misstänkt hjärtsjukdom. Deras medelålder var 58 år; 126 (27,5 %) var kvinnor.

Värmebilder av deras ansikten togs före bekräftande undersökningar för att utveckla och validera en AI-assisterad avbildningsmodell för att upptäcka kranskärlssjukdom.

Totalt 322 deltagare (70 %) hade bekräftad kranskärlssjukdom. Dessa individer var generellt äldre och mer benägna att vara män. De var också mer benägna att ha livsstils-, kliniska och biokemiska riskfaktorer, och att använda förebyggande läkemedel oftare.

Metoden med termografi och AI var cirka 13 % bättre på att förutsäga kranskärlssjukdom än en förhandsbedömning av risken med traditionella riskfaktorer och kliniska tecken och symtom. Bland de tre viktigaste termiska indikatorerna var den totala temperaturskillnaden mellan ansiktets vänstra och högra sida den mest inflytelserika, följt av maximal ansiktstemperatur och genomsnittlig ansiktstemperatur.

I synnerhet var medeltemperaturen i vänster käkregion den starkaste prediktorn, följt av temperaturskillnaden i höger ögonregion och temperaturskillnaden mellan vänster och höger tinning.

Metoden identifierade också effektivt traditionella riskfaktorer för kranskärlssjukdom: högt kolesterol, manligt kön, rökning, övervikt (BMI), fasteglukos och indikatorer på inflammation.

Forskarna erkänner den relativt lilla urvalsstorleken i sin studie och det faktum att den endast genomfördes vid ett center. Dessutom remitterades alla studiedeltagare till bekräftande tester om de misstänktes ha hjärtsjukdom.

Teamet skriver dock: "[Termografins] förmåga att förutsäga [kranskärlssjukdom] pekar på potentiella framtida tillämpningar och forskningsmöjligheter... Som en biofysiologisk metod för att bedöma hälsa ger [den] sjukdomsrelaterad information utöver traditionella kliniska mätningar, vilket kan förbättra bedömningen av [aterosklerotisk hjärt-kärlsjukdom] och relaterade kroniska tillstånd."

"[Dess] kontaktlösa realtidsnatur möjliggör omedelbar sjukdomsbedömning vid vårdtillfället, vilket kan effektivisera kliniska arbetsflöden och spara tid för viktiga beslut från läkare och patienter. Den har också potential för massförhandsgranskning."

Forskarna drar slutsatsen: ”Våra utvecklade [termografiska] prediktionsmodeller baserade på avancerad [maskininlärnings]teknik visade lovande potential jämfört med nuvarande traditionella kliniska verktyg.”

"Ytterligare studier med ett större antal patienter och olika populationer behövs för att bekräfta den externa validiteten och generaliserbarheten hos de nuvarande resultaten."