Jak wynika z badań opublikowanych w czasopiśmie: Połączenie termowizji twarzy i sztucznej inteligencji (AI) może dokładnie przewidzieć obecność choroby wieńcowej. BMJ Zdrowie i opieka Informatyka.

To nieinwazyjne podejście działające w czasie rzeczywistym jest skuteczniejsze niż metody konwencjonalne i można je zastosować w praktyce klinicznej w celu poprawy dokładności diagnozy i przebiegu pracy, do czasu przeprowadzenia testów na większej i bardziej zróżnicowanej etnicznie liczbie pacjentów, sugerują naukowcy.

Obecne wytyczne dotyczące diagnozowania choroby niedokrwiennej serca opierają się na ocenie prawdopodobieństwa czynników ryzyka, które nie zawsze są bardzo dokładne lub mają szerokie zastosowanie – twierdzą naukowcy. Chociaż można je uzupełnić innymi diagnostykami, takimi jak odczyty EKG, angiogramy i badania krwi, są one często czasochłonne i inwazyjne – dodają naukowcy.

Obrazowanie termowizyjne, które rejestruje rozkład temperatury i zmiany na powierzchni obiektu poprzez wykrywanie promieniowania podczerwonego emitowanego przez ten obiekt, jest nieinwazyjne. Okazał się obiecującym narzędziem do oceny choroby, ponieważ może zidentyfikować obszary nieprawidłowego krążenia krwi i stanu zapalnego na podstawie wzorców temperatury skóry.

Pojawienie się technologii uczenia maszynowego (AI), umożliwiającej wyodrębnianie, przetwarzanie i integrowanie złożonych informacji, może zwiększyć dokładność i skuteczność diagnostyki termowizyjnej.

Dlatego badacze postanowili zbadać wykonalność wykorzystania obrazowania termowizyjnego i sztucznej inteligencji do dokładnego przewidywania obecności choroby wieńcowej bez konieczności stosowania inwazyjnych, czasochłonnych technik u 460 osób z podejrzeniem choroby serca. Ich średni wiek wynosił 58 lat; Wśród nich 126 (27,5%) stanowiły kobiety.

Przed badaniami potwierdzającymi wykonano obrazy termowizyjne ich twarzy, aby opracować i zweryfikować model obrazowania wspomaganego sztuczną inteligencją do wykrywania choroby wieńcowej.

W sumie u 322 uczestników (70%) potwierdzono chorobę wieńcową. Osoby te były przeważnie starsze i częściej byli to mężczyźni. Częściej występowały u nich także czynniki ryzyka wynikające ze stylu życia oraz czynniki kliniczne i biochemiczne, a także częściej stosowały leki zapobiegawcze.

Podejście termowizyjne połączone ze sztuczną inteligencją było o około 13% lepsze w przewidywaniu choroby wieńcowej niż ocena ryzyka przeprowadzona przed badaniem, obejmująca tradycyjne czynniki ryzyka oraz objawy kliniczne. Spośród trzech najważniejszych prognostycznych wskaźników termicznych najbardziej wpływowa była ogólna różnica temperatur twarzy po lewej i prawej stronie, a następnie maksymalna temperatura twarzy i średnia temperatura twarzy.

W szczególności najsilniejszą cechą predykcyjną była średnia temperatura w okolicy lewej szczęki, a następnie zakres temperatur w okolicy prawego oka i różnica temperatur w okolicach skroni po lewej i prawej stronie.

W ramach tego podejścia skutecznie zidentyfikowano także tradycyjne czynniki ryzyka choroby wieńcowej: wysoki poziom cholesterolu; płeć męska; palenie; nadwaga (BMI); poziom glukozy we krwi na czczo, a także wskaźniki stanu zapalnego.

Naukowcy potwierdzają stosunkowo małą liczebność próby i fakt, że przeprowadzono je tylko w jednym ośrodku. Ponadto wszyscy uczestnicy badania zostali skierowani na badania potwierdzające w kierunku podejrzenia choroby serca.

Niemniej jednak zespół pisze: „Wykonalność [thermal imaging] na podstawie [coronary artery disease] prognoza sugeruje potencjalne przyszłe zastosowania i możliwości badawcze… Jako metoda oceny stanu zdrowia oparta na biofizjologii, [it] dostarcza informacji istotnych dla choroby, wykraczających poza tradycyjne pomiary kliniczne, które mogą pomóc [atherosclerotic cardiovascular disease] i powiązaną ocenę stanu przewlekłego.

„Bezkontaktowy charakter działania w czasie rzeczywistym [it] pozwala na natychmiastową ocenę choroby w miejscu opieki, co może usprawnić przebieg pracy klinicznej i zaoszczędzić czas na podejmowanie ważnych decyzji przez lekarza i pacjenta. Ponadto może umożliwić masową selekcję wstępną”.

Naukowcy podsumowują: „Nasz rozwinięty [thermal imaging] modele predykcyjne, oparte na zaawansowanych [machine learning] wykazały obiecujący potencjał w porównaniu z obecnymi konwencjonalnymi narzędziami klinicznymi.

„Potrzebne są dalsze badania obejmujące większe próby i zróżnicowane populacje pacjentów, aby potwierdzić wiarygodność zewnętrzną i możliwość uogólnienia obecnych ustaleń”.