Κυρίαρχο παράγοντα θνησιμότητας σε όλο τον κόσμο αποτελούν οι καρδιαγγειακές νόσοι, θέτοντας σε συναγερμό την επιστημονική κοινότητα για τη βελτίωση και την επιτάχυνση των διαγνωστικών διαδικασιών. Σε αυτό το πλαίσιο, μια νέα έρευνα που δημοσιεύεται στο BMJ Health & Care Informatics διαπιστώνει ότι μια καινοτόμος, μη επεμβατική τεχνική, που συνδυάζει τη θερμική απεικόνιση με την τεχνητή νοημοσύνη μπορεί να προβλέψει με αξιοσημείωτη ακρίβεια την παρουσία στεφανιαίας νόσου. Τα πρώτα ερευνητικά στοιχεία δείχνουν, μάλιστα, ότι αυτή η πρακτική δίνει καλύτερα αποτελέσματα από τις παραδοσιακές μεθόδους.
Η θερμική απεικόνιση είναι μια μη επεμβατική τεχνική, που καταγράφει την κατανομή και τις μεταβολές της θερμοκρασίας στην επιφάνεια ενός αντικειμένου, ανιχνεύοντας την υπέρυθρη ακτινοβολία που εκπέμπεται από αυτό. Έχει αναδειχθεί ως ένα πολλά υποσχόμενο εργαλείο για την αξιολόγηση ασθενειών, καθώς μπορεί να εντοπίσει περιοχές με μη φυσιολογική κυκλοφορία του αίματος και φλεγμονή από τα μοτίβα της θερμοκρασίας του δέρματος.
Οι τρέχουσες κατευθυντήριες γραμμές για τη διάγνωση της στεφανιαίας νόσου βασίζονται στην εκτίμηση των παραγόντων κινδύνου, ωστόσο δεν είναι πάντα ακριβείς ή ευρέως εφαρμόσιμες, διευκρινίζουν οι ερευνητές. Με στόχο τη διασφάλιση ακριβέστερων αποτελεσμάτων, μπορούν να αξιοποιηθούν κι άλλες διαγνωστικές εξετάσεις, όπως μετρήσεις ηλεκτροκαρδιογραφήματος (ΗΚΓ), αγγειογραφίες και εξετάσεις αίματος, με τους ειδικούς να τονίζουν ωστόσο ότι πρόκειται για διαδικασίες επεμβατικές και χρονοβόρες.
Οι ερευνητές εκτίμησαν ότι, με τη βοήθεια της τεχνητής νοημοσύνης, η οποία είναι πλέον ικανή να εξάγει, να επεξεργάζεται και να ενσωματώνει σύνθετες πληροφορίες, θα μπορούσαν να ενισχύσουν την ακρίβεια και την αποτελεσματικότητα της διάγνωσης με θερμική απεικόνιση. Ζήτησαν, λοιπόν, τη βοήθεια 460 ατόμων (27,5% γυναίκες, 58 ετών κατά μέσο όρο) με υποψία καρδιακής νόσου. Οι συμμετέχοντες υποβλήθηκαν σε καταγραφή θερμικής απεικόνισης των προσώπων τους. Συνολικά, επιβεβαιώθηκε ότι 322 συμμετέχοντες (70%) είχαν στεφανιαία νόσο. Η τάση έδειξε ότι οι πάσχοντες ήταν κατά κανόνα άνδρες μεγαλύτερης ηλικίας, ενώ ήταν επίσης πιο πιθανό να χαρακτηρίζονται από παράγοντες κινδύνου στον τρόπο ζωής τους, όπως κλινικούς και βιοχημικούς παράγοντες, καθώς και μεγαλύτερη χρήση προληπτικών φαρμάκων.
Διαπιστώθηκε ότι η προσέγγιση της θερμικής απεικόνισης με τη βοήθεια της τεχνητής νοημοσύνης έδωσε περίπου 13% καλύτερα αποτελέσματα στην πρόβλεψη της στεφανιαίας νόσου από την προ-δοκιμαστική εκτίμηση, που περιλάμβανε παραδοσιακούς παράγοντες κινδύνου και κλινικά σημεία και συμπτώματα. Μεταξύ των τριών σημαντικότερων προγνωστικών θερμικών δεικτών, μεγαλύτερη επιρροή είχε η συνολική διαφορά θερμοκρασίας μεταξύ της αριστερής και της δεξιάς πλευράς του προσώπου, ακολουθούμενη από τη μέγιστη και τη μέση θερμοκρασία προσώπου.
Συγκεκριμένα, η μέση θερμοκρασία της περιοχής της αριστερής γνάθου ήταν το ισχυρότερο προγνωστικό χαρακτηριστικό, ακολουθούμενο από το εύρος θερμοκρασίας της περιοχής του δεξιού ματιού και τη διαφορά θερμοκρασίας μεταξύ της αριστερής και της δεξιάς πλευράς στην περιοχή των κροτάφων. Η προσέγγιση εντόπισε επίσης αποτελεσματικά τους παραδοσιακούς παράγοντες κινδύνου για στεφανιαία νόσο: Υψηλή χοληστερόλη, ανδρικό φύλο, κάπνισμα, υπερβολικό βάρος (ΔΜΣ), υψηλό σάκχαρο και δείκτες φλεγμονής.
Οι ερευνητές αναγνωρίζουν το σχετικά μικρό μέγεθος του δείγματος της μελέτης τους, καθώς και το γεγονός ότι διεξήχθη σε ένα μόνο κέντρο. Επιπλέον, όλοι οι συμμετέχοντες στη μελέτη είχαν παραπεμφθεί για διαγνωστικές εξετάσεις, που μαρτυρούσαν υποψία καρδιακής νόσου. Οι ίδιοι, ωστόσο, επισημαίνουν: «Η δυνατότητα πρόβλεψης της στεφανιαίας νόσου με βάση τη θερμική απεικόνιση υποδηλώνει πιθανές μελλοντικές εφαρμογές και ερευνητικές ευκαιρίες. Ως μέθοδος αξιολόγησης της υγείας, παρέχει πληροφορίες σχετικές με τη νόσο πέραν των παραδοσιακών κλινικών μέτρων που θα μπορούσαν να βελτιώσουν την αξιολόγηση της νόσου και των σχετικών χρόνιων παθήσεων. Ο μη επεμβατικός και σε πραγματικό χρόνο χαρακτήρας της τεχνικής επιτρέπει την άμεση αξιολόγηση της νόσου, η οποία θα μπορούσε να εξοικονομήσει χρόνο στη λήψη σημαντικών αποφάσεων μεταξύ γιατρού και ασθενούς. Επιπλέον, έχει τη δυνατότητα να καταστήσει δυνατή τη μαζική προληπτική εξέταση».
Οι ερευνητές καταλήγουν στο συμπέρασμα ότι «τα μοντέλα πρόβλεψης θερμικής απεικόνισης που αναπτύξαμε, τα οποία βασίζονται σε προηγμένη τεχνολογία μηχανικής μάθησης, έχουν επιδείξει πολλά υποσχόμενες δυνατότητες σε σύγκριση με τα τρέχοντα συμβατικά κλινικά εργαλεία. Απαιτούνται περαιτέρω έρευνες, που θα ενσωματώνουν μεγαλύτερα μεγέθη δειγμάτων και ποικίλους πληθυσμούς ασθενών, για να επικυρώσουν την εξωτερική εγκυρότητα και τη δυνατότητα γενίκευσης των ευρημάτων».
ChatGPT: Είναι έτοιμο να αντικαταστήσει τον καρδιολόγο και να προβλέψει το έμφραγμα;
Αυτοάνοσα: Το εργαλείο Τεχνητής Νοημοσύνης που φέρνει επανάσταση σε διάγνωση και θεραπεία
Καρκίνος: Επτά πρωτοπόροι Έλληνες δημιουργούν εργαλείο AI που ανιχνεύει μεταστάσεις
