Ansigtstemperatur kan forudsige hjertesygdom med større nøjagtighed end nuværende metoder

I et nyligt studie offentliggjort i tidsskriftet BMJ Health & Care Informatics vurderede forskere muligheden for at bruge ansigtsinfrarød termografi (IRT) til at forudsige koronar hjertesygdom (CHD).

Medfødt hjertesygdom (CHD) er en af de hyppigste dødsårsager og har en betydelig global byrde. Præcis diagnose af CHD er vigtig for pleje og behandling. I øjeblikket anvendes værktøjer til vurdering af prætestsandsynlighed (PTP) til at bestemme sandsynligheden for CHD hos patienter. Disse værktøjer har dog problemer med subjektivitet, begrænset generaliserbarhed og moderat nøjagtighed.

Selvom yderligere kardiovaskulær testning (koronararteriekalciumscore og elektrokardiografi) eller sofistikerede kliniske modeller, der integrerer yderligere laboratoriemarkører og risikofaktorer, kan forbedre sandsynlighedsestimeringen, er der problemer relateret til tidseffektivitet, proceduremæssig kompleksitet og begrænset tilgængelighed.

IRT, en berøringsfri teknologi til overfladetemperaturdetektion, viser lovende resultater inden for sygdomsvurdering. Den kan detektere inflammation og unormal blodgennemstrømning fra hudtemperaturmønstre. Studier viser sammenhænge mellem IRT-information og aterosklerotisk hjerte-kar-sygdom og relaterede tilstande.

I dette studie vurderede forskerne muligheden for at bruge data om ansigts-IRT-temperatur til at forudsige koronar CT-scanning. Voksne, der gennemgik koronar CT-angiografi (CCTA) eller invasiv koronarangiografi (ICA), blev inkluderet i studiet. Uddannet personale indhentede baseline-data og udførte IRT-målinger før CCTA eller ICA.

Elektroniske patientjournaler blev brugt til at indhente yderligere information, herunder blodbiokemi, klinisk historie, risikofaktorer og CAD-screeningsresultater. Ét IRT-billede pr. deltager blev udvalgt til analyse og behandlet (ensartet størrelsesændring, konvertering til gråtoner og baggrundsbeskæring).

Holdet udviklede en IRT-billedmodel ved hjælp af en avanceret deep learning-algoritme. To modeller blev udviklet til sammenligning: den ene var en PTP-model (klinisk baseline), der inkluderede patienternes alder, køn og symptomkarakteristika, og den anden var en hybridmodel, der kombinerede både IRT- og klinisk information fra henholdsvis IRT- og PTP-modellerne.

Der blev udført adskillige fortolkningsanalyser, herunder okklusionseksperimenter, visualisering af highlight-kort, dosis-responsanalyser og forudsigelse af surrogat-CAD-mærkninger. Derudover blev forskellige IRT-tabelfunktioner udtrukket fra IRT-billedet, klassificeret på helhedsniveau og region-of-interesse (ROI)-niveau.

Samlet set blev de ekstraherede funktioner klassificeret i førsteordens tekstur, andenordens tekstur, temperatur og fraktalanalysefunktioner. XGBoost-algoritmen integrerede disse ekstraherede funktioner og evaluerede deres prædiktive værdi for medfødt hjertesygdom (CHD). Forskerne evaluerede ydeevnen ved hjælp af alle funktioner og kun temperaturfunktioner.

I alt 893 voksne, der gennemgik CCTA eller ICA, blev screenet mellem september 2021 og februar 2023. Af disse blev 460 deltagere med en gennemsnitsalder på 58,4 år inkluderet; 27,4 % var kvinder, og 70 % havde kranskärlssygdom (CAD). Patienter med CAD havde højere alder og prævalens af risikofaktorer sammenlignet med patienter uden CAD. IRT-billedmodellen klarede sig signifikant bedre end PTP-modellen.

Der var dog ingen signifikant forskel i ydeevnen af hybrid- og IRT-billedmodellerne. Brug af kun temperaturfunktioner eller alle udtrukne funktioner havde en bedre prædiktiv ydeevne, hvilket var i overensstemmelse med IRT-billedmodellen. På helhedsniveau havde den samlede temperaturforskel fra venstre til højre den største indflydelse, mens den gennemsnitlige temperatur i venstre kæbe havde den største indflydelse på ROI-niveau.

Der blev observeret varierende niveauer af ydeevneforringelse for IRT-billedmodellen, når forskellige ROI'er blev okkluderet. Okklusion af over- og underlæberegionen havde den største effekt. Derudover klarede IRT-billedmodellen sig godt til at forudsige surrogatmarkører forbundet med CAD, såsom hyperlipidæmi, rygning, kropsmasseindeks, glykeret hæmoglobin og inflammation.

Undersøgelsen viste muligheden for at bruge ansigts-IRT-temperaturdata til at forudsige CAD. IRT-billedmodellen overgik den retningslinjeanbefalede PTP-model, hvilket fremhævede dens potentiale i CAD-vurdering. Desuden gav inkorporering af klinisk information i IRT-billedmodellen ikke yderligere forbedringer, hvilket tyder på, at den udtrukne IRT-information allerede indeholdt vigtig information relateret til CAD.

Desuden blev den prædiktive værdi af IRT-modellen bekræftet ved hjælp af de fortolkelige IRT-tabelfunktioner, som var relativt konsistente med IRT-billedmodellen. Disse funktioner gav også information om vigtige aspekter for forudsigelse af medfødt hjertesygdom, såsom ansigtstemperatursymmetri og ujævnheder i fordelingen. Yderligere undersøgelser med større stikprøver og forskelligartede populationer er nødvendige for validering.