Мультимодальное глубокое изучение аномалий глазного дна и традиционных факторов риска для прогнозирования сердечно-сосудистого риска

Dec 26, 2023

npj Digital Medicine, том 6, номер статьи: 14 (2023 г.) Цитировать эту статью

2959 Доступов

2 цитаты

3 Альтметрика

Подробности о метриках

Сердечно-сосудистые заболевания (ССЗ), ведущая причина смертности во всем мире, связаны со сложными факторами риска. Мы разрабатываем модель искусственного интеллекта для выявления сердечно-сосудистых заболеваний с использованием мультимодальных данных, включая клинические факторы риска и фотографии глазного дна из Медицинского центра Самсунг (SMC) для разработки и внутренней проверки, а также из Биобанка Великобритании для внешней проверки. Мультимодальная модель обеспечивает площадь под кривой рабочей характеристики приемника (AUROC) 0,781 (95% доверительный интервал [ДИ] 0,766–0,798) в SMC и 0,872 (95% ДИ 0,857–0,886) в Британском биобанке. Кроме того, мы наблюдаем значительную связь между заболеваемостью сердечно-сосудистыми заболеваниями и прогнозируемым риском у пациентов из группы риска в Биобанке Великобритании (отношение рисков [ОР] 6,28, 95% ДИ 4,72–8,34). Мы визуализируем важность индивидуальных особенностей в фотографии и традиционных факторов риска. Результаты подчеркивают, что неинвазивная фотография глазного дна может быть возможным прогностическим маркером сердечно-сосудистых заболеваний.

На сердечно-сосудистые заболевания (ССЗ) приходится примерно 31% смертей во всем мире, и ежегодно от ССЗ умирают 17,3 миллиона человек. Несмотря на глобальные усилия в области общественного здравоохранения и рост медицинских знаний, высокое бремя ССЗ редко снижается из-за сложных факторов риска, которые требуют долгосрочных поведенческих и фармацевтических модификаций1. Хотя ни один экономически эффективный инструмент скрининга и выявления не может быть клинически адаптирован для прогнозирования сердечно-сосудистых заболеваний, такие инструменты оценки риска, как Фрамингемский показатель риска и Европейская систематическая оценка коронарного риска, хорошо зарекомендовали себя со статистическим моделированием, которое сочетает в себе традиционные факторы риска, такие как возраст. , пол, общий холестерин и холестерин липопротеинов высокой плотности (ЛПВП), артериальное давление, курение и диабет2,3,4. В последние десятилетия предпринимались настойчивые усилия по совершенствованию моделей прогнозирования риска путем выявления и реклассификации факторов риска5,6.

Недавние систематические обзоры показали, что традиционная оценка сердечно-сосудистого риска может завышать или недооценивать риск ССЗ и имеет ограниченную пользу для исходов лечения пациентов7. Даже сейчас определить лучшие модели оценки риска сложно, учитывая различия в категориях риска, наличие сопоставимых когорт и неоднородность групп населения, подвергающихся риску8,9. Недавно были предложены многообещающие биомаркеры, непосредственно связанные с воспалением и атеросклеротическим бременем, такие как лодыжечно-плечевой индекс, высокочувствительный С-реактивный белок и показатель кальция в коронарной артерии (CAC); однако эти нетрадиционные модели редко показывали значительное улучшение прогнозов сердечно-сосудистых заболеваний8.

Неинвазивная визуализация атеросклеротических сосудистых нарушений, такая как компьютерная томография сердца или ультразвуковое исследование сонных артерий, является одним из наиболее точных клинических методов оценки для пациентов с низкой или средней предтестовой вероятностью сердечно-сосудистых заболеваний10,11,12,13. Однако рутинный скрининг коронарных и сонных артерий не рекомендуется из-за его низкой клинической и экономической эффективности у пациентов с низкими факторами риска14. Напротив, фотографии глазного дна (FP) широко используются при скрининговых обследованиях глазных заболеваний, поскольку они экономически эффективны. Кроме того, FP предоставляет больше информации для оценки риска сердечно-сосудистых заболеваний, включая неинвазивную визуализацию атеросклеротических сосудистых нарушений. Патологическая связь между микрососудистыми изменениями сетчатки и системными сосудистыми нарушениями хорошо известна15,16,17,18.

Хотя клинические рекомендации по диагностике ССЗ с помощью FP еще не разработаны, подходы искусственного интеллекта показали, что FP позволяет прогнозировать биомаркеры, связанные с ССЗ, а также события ССЗ19,20,21,22,23. Рим и др. предположили, что FP предсказывает оценку CAC, а Poplin et al. показали, что ФП может быть предиктором сердечно-сосудистых факторов риска, включая возраст, пол, статус курения и систолическое артериальное давление, а также серьезных неблагоприятных сердечных событий. Они также стремились предсказать будущие сердечно-сосудистые события. Также важна диагностика факторов риска сердечно-сосудистых заболеваний с использованием неинвазивных и экономически эффективных прогностических моделей. Это связано с тем, что в странах с низким и средним уровнем дохода, где лабораторные возможности и врачи ограничены, а бремя ССЗ растет24, такие прогностические модели особенно многообещающи для точной диагностики ССЗ и выявления лиц с высоким риском.