En dyb-læringsmodel udviklet af forskere fra Program for kunstig intelligens i medicin (AIM). kan forudsige den 10-årige risiko for død af hjerteanfald eller slagtilfælde ved hjælp af et enkelt røntgenbillede af thorax.
I øjeblikket estimeres denne risiko ved hjælp af risikoscore for aterosklerotisk kardiovaskulær sygdom (ASCVD). Denne statistiske model kræver adskillige inputparametre, herunder alder, køn, race, systolisk blodtryk, hypertensionsbehandling, rygning og type 2-diabetes status og blodprøver. Patienter med en risiko på 7.5 % eller højere anbefales statinmedicin. Ofte er disse variabler dog ikke alle tilgængelige i patientens elektroniske journal.
For at afhjælpe denne mangel skabte forskerne en dyb-læringsmodel, der kan estimere 10-års risikoen for alvorlige kardiovaskulære hændelser fra et rutinemæssigt røntgenbillede af thorax. I denne uge RSNA 2022, det årlige møde i Radiological Society of North America, hovedforfatter Jakob Weiss præsenterede holdets arbejde.
"Vores dybe læringsmodel tilbyder en potentiel løsning til befolkningsbaseret opportunistisk screening af risikoen for hjertekarsygdomme ved hjælp af eksisterende røntgenbilleder af thorax," forklarer Weiss. "Denne type screening kunne bruges til at identificere personer, der ville have gavn af statinmedicin, men som i øjeblikket ikke er behandlet."
Weiss og kolleger udviklede deres CXR-CVD risikomodel ved hjælp af 147,497 røntgenbilleder af thorax fra 40,643 deltagere i PLCO kræftscreeningsforsøg. De testede dens ydeevne ved hjælp af en uafhængig gruppe på 11,430 ambulante patienter, som fik en rutinemæssig røntgen af thorax ved Mass General Brigham og var potentielt kvalificerede til statinbehandling. I løbet af den mediane opfølgning på 10.3 år led 9.6% af disse patienter en alvorlig uønsket hjertehændelse med signifikant sammenhæng mellem den modelforudsagte risiko og de observerede hændelser.
Hos de 2401 patienter med tilstrækkelige data til rådighed, sammenlignede teamet også den prognostiske værdi af CXR-CVD-risikomodellen med den etablerede kliniske standard for at afgøre, om statin er berettiget. I denne undergruppe af patienter udviste modellen lignende ydeevne som den kliniske standard.
Open source-algoritme forudsiger hjerteanfaldsrisiko fra CT-scanning af brystet
"Det skønne ved denne tilgang er, at du kun har brug for en røntgenstråle, som optages millioner af gange om dagen over hele verden," siger Weiss. "Vi har længe erkendt, at røntgenstråler fanger information ud over traditionelle diagnostiske fund, men vi har ikke brugt disse data, fordi vi ikke har haft robuste, pålidelige metoder. Fremskridt inden for kunstig intelligens gør det muligt nu."
Weiss bemærker, at der er behov for yderligere forskning, herunder et kontrolleret randomiseret forsøg, for at validere modellen, som i sidste ende kan tjene som et beslutningsstøtteværktøj for læger.
