Kardiovaszkuláris kockázatbecslés mellkasi röntgenfelvételből
Egyetlen mellkasröntgen felvételből megjósolható, hogy a páciensnek az elkövetkezendő 10 évben mekkora a szívinfarktus- vagy stroke-kockázata - egy új deep learningen alapuló modell segítségével.
Az American College of Cardiologists (ACC) és az American Heart Association (AHA) jelenlegi iránymutatásai a súlyos szív- és érrendszeri események (major adverse cardiovascular events, MACE) 10 éves kockázatának becslését javasolják annak eldöntésére, hogy a betegnek kell-e sztatinokat kapnia az atheroscleroticus kardiovaszkuláris betegség (ASCVD) megelőzésére. A sztatinokat olyan betegek számára javasoltak, akiknek ASCVD-kockázata 10 éven belül 7,5% vagy magasabb.
Az ASCVD kockázati pontszámot jelenleg kilenc tényező alapján határozzák meg: életkor, nem, rassz, szisztolés vérnyomás, magas vérnyomás elleni kezelés, dohányzás, 2-es típusú cukorbetegség és lipidpanel.
Mivel a becsléshez szükséges nem minden adat érhető el az elektronikus egészségügyi nyilvántartáson keresztül, újszerű és egyszerűbb megközelítéseket keresnek az egész populációra kiterjedő szűréshez. A könnyen elérhető mellkasröntgen felvételek viszont a diagnosztikai adatokon túlmenően gazdag információt hordoznak, de azokat a mesterséges intelligencián alapuló modellek hiányában eddig nem használták őket az ilyen típusú előrejelzésekhez.
Jakob Weiss (Massachusetts General Hospital and the AI in Medicine program at the Brigham and Women's Hospital, Boston) és munkatársai a Radiological Society of North America (RSNA) 2022 évi találkozóján modellükön mellkasröntgen felvételek segítségével végeztek deep learning tanítást. Ehhez a National Cancer Institute által tervezett és szponzorált Prostate, Lung, Colorectal, and Ovarian Cancer (PLCO) szűrővizsgálat 40.643 betegének 147 497 mellkasröntgenfelvételét használtak fel. Mivel a felvételek túlnyomóan fehér népességről készültek, ennek lehetséges torzító figyelembe kell venni a modell validálása során.
Modelljük 10 éves ASCVD kockázat előre jelző képességét a standard ACC/AHA modell előrejelző képességével hasonlították össze. Arra jutottak, hogy a mesterséges intelligenciát felhasználó, deep learningen alapuló modell a jövőben a kardiovaszkuláris kockázati tényezőktől függetlenül, egyetlen mellkasi röntgenfelvétel alapján előrejelezheti a jövőbeni kardiovaszkuláris események kockázatát, hasonló teljesítménnyel, mint a guideline-ok iránymutatásai szerint kiszámolt ASCVD kockázati pontszám.
Független csoport ellen tesztelve
A modellt egy független, 11.430 járóbetegből álló csoporton tesztelték (átlagéletkor 60 év; 42,9% férfi), akikről rutin ambuláns mellkasröntgenen estek át a Brigham and Women's Hospital-ban Mass General Brigham-nél, és akik számára javasolt volt a sztatinok szedése.
A 10,3 éves medián követési idő alatt a 11.430 beteg közül 1096-nál (9,6%) alakult ki súlyos szívelégtelenség. A sztatin szedésre javasolt betegekben szignifikáns összefüggés volt a CXR-CVD kockázata és a MACE között (kockázati arány [HR], 2,03; 95% CI, 1,81–2,30; P<0,001), amely szignifikáns maradt a kardiovaszkuláris kockázati tényezőkkel történt korrekció után is (korrigált HR, 1,63; 95% CI, 1,43 – 1,86; P<0,001).
Néhány változó hiányzott a standard modellből, de egy 2401 betegből álló alcsoportban az összes változó rendelkezésre állt. Ebben az alcsoportban a standard modell és a CXR modell segítségével számított ASCVD kockázat hasonló volt (c-statisztika, 0,64 vs 0,65; P = 0,48) az ASCVD kockázati pontszámához (korrigált HR, 1,58; 95% CI, 1,20 – 2,09; P = 0,001).
Ritu R. Gill (Harvard Medical School, Boston, Massachusetts) kritikaként említette, hogy a prediktív algoritmust a PLCO kohorsz röntgenfelvételeinek felhasználásával fejlesztették ki „ebben a csoportban viszont nagy a szív- és érrendszeri megbetegedések kockázata, mivel a dohányzás az ateroszklerózisos betegségek ismert rizikófaktora, ezért az eredmények várhatóak voltak”. "Az algoritmust egy független fiatalabb személyeket is tartalmazó adatbázisban kell érvényesíteni, és igazítani kell a nemi és etnikai különbségekhez."
Forrás:
Radiological Society of North America (RSNA) 2022 Annual Meeting: Abstract T3-SSCH04-1. Presented November 29, 2022.