En dyplæringsmodell utviklet av forskere fra Program for kunstig intelligens i medisin (AIM). kan forutsi 10-årsrisikoen for død av hjerteinfarkt eller hjerneslag ved hjelp av en enkelt røntgen av thorax.
For tiden er denne risikoen estimert ved å bruke risikoscore for aterosklerotisk kardiovaskulær sykdom (ASCVD). Denne statistiske modellen krever en rekke inngangsparametere, inkludert alder, kjønn, rase, systolisk blodtrykk, hypertensjonsbehandling, røyking og type 2 diabetes status, og blodprøver. Pasienter med en risiko på 7.5 % eller høyere anbefales statinmedisiner. Ofte er imidlertid ikke alle disse variablene tilgjengelige i pasientens elektroniske journal.
For å bøte på denne mangelen opprettet forskerne en dyp læringsmodell som kan estimere 10-årsrisikoen for alvorlige uønskede kardiovaskulære hendelser fra en rutinemessig røntgen av thorax. På denne uken RSNA 2022, det årlige møtet til Radiological Society of North America, hovedforfatter Jakob Weiss presenterte lagets arbeid.
"Vår dyplæringsmodell tilbyr en potensiell løsning for populasjonsbasert opportunistisk screening av risiko for hjerte- og karsykdommer ved å bruke eksisterende røntgenbilder av thorax," forklarer Weiss. "Denne typen screening kan brukes til å identifisere personer som vil ha nytte av statinmedisiner, men som for øyeblikket ikke er behandlet."
Weiss og kolleger utviklet sin CXR-CVD risikomodell ved å bruke 147,497 40,643 røntgenbilder fra XNUMX XNUMX deltakere i PLCO kreftscreeningsforsøk. De testet ytelsen ved hjelp av en uavhengig gruppe på 11,430 10.3 polikliniske pasienter som hadde en rutinemessig røntgen av thorax ved Mass General Brigham og var potensielt kvalifisert for statinbehandling. I løpet av median oppfølging på 9.6 år, led XNUMX % av disse pasientene en alvorlig uønsket hjertehendelse, med signifikant sammenheng mellom den modellforutsagte risikoen og de observerte hendelsene.
I de 2401 pasientene med tilstrekkelige data tilgjengelig, sammenlignet teamet også den prognostiske verdien av CXR-CVD risikomodellen med den etablerte kliniske standarden for å avgjøre statinkvalifisering. I denne undergruppen av pasienter viste modellen lignende ytelse som den kliniske standarden.
Åpen kildekode-algoritme forutsier hjerteinfarktrisiko fra CT-skanning av brystet
"Det fine med denne tilnærmingen er at du bare trenger et røntgenbilde, som tas millioner av ganger om dagen over hele verden," sier Weiss. "Vi har lenge erkjent at røntgenstråler fanger opp informasjon utover tradisjonelle diagnostiske funn, men vi har ikke brukt disse dataene fordi vi ikke har hatt robuste, pålitelige metoder. Fremskritt innen AI gjør det mulig nå.»
Weiss bemerker at ytterligere forskning, inkludert en kontrollert randomisert studie, er nødvendig for å validere modellen, som til slutt kan tjene som et beslutningsstøtteverktøy for leger.
