Gesichtstemperatur kann Herzerkrankungen genauer vorhersagen als derzeitige Methoden

In einer kürzlich in der Fachzeitschrift BMJ Health & Care Informatics veröffentlichten Studie untersuchten Forscher die Durchführbarkeit des Einsatzes der Gesichts-Infrarot-Thermografie (IRT) zur Vorhersage koronarer Herzkrankheiten (KHK).

Angeborene Herzfehler (KHK) zählen zu den häufigsten Todesursachen und stellen weltweit eine erhebliche Belastung dar. Eine genaue Diagnose von KHK ist für die Pflege und Behandlung von entscheidender Bedeutung. Derzeit werden Instrumente zur Bestimmung der Wahrscheinlichkeit einer KHK bei Patienten eingesetzt, die auf der Prätestwahrscheinlichkeit (PTP) basieren. Diese Instrumente weisen jedoch Probleme mit der Subjektivität, eingeschränkten Generalisierbarkeit und mäßiger Genauigkeit auf.

Obwohl zusätzliche kardiovaskuläre Tests (Koronararterien-Kalzium-Score und Elektrokardiographie) oder ausgefeilte klinische Modelle, die zusätzliche Labormarker und Risikofaktoren integrieren, die Wahrscheinlichkeitsschätzung verbessern können, gibt es Probleme im Zusammenhang mit der Zeiteffizienz, der Verfahrenskomplexität und der begrenzten Verfügbarkeit.

IRT, eine berührungslose Technologie zur Oberflächentemperaturmessung, zeigt vielversprechende Ergebnisse bei der Krankheitsdiagnostik. Sie kann Entzündungen und abnormalen Blutfluss anhand von Hauttemperaturmustern erkennen. Studien zeigen Zusammenhänge zwischen IRT-Informationen und atherosklerotischen Herz-Kreislauf-Erkrankungen und verwandten Erkrankungen.

In dieser Studie untersuchten die Forscher die Machbarkeit der Verwendung von IRT-Gesichtstemperaturdaten zur Vorhersage einer KHK. Erwachsene, die sich einer Koronar-CT-Angiographie (CCTA) oder invasiven Koronarangiographie (ICA) unterzogen, wurden in die Studie einbezogen. Geschultes Personal erfasste Basisdaten und führte vor der CCTA oder ICA IRT-Aufnahmen durch.

Elektronische Patientenakten wurden genutzt, um zusätzliche Informationen zu erhalten, darunter Blutbiochemie, klinische Vorgeschichte, Risikofaktoren und CAD-Screening-Ergebnisse. Pro Teilnehmer wurde ein IRT-Bild zur Analyse ausgewählt und verarbeitet (einheitliche Größenanpassung, Konvertierung in Graustufen und Hintergrundbeschneidung).

Das Team entwickelte ein IRT-Bildmodell mithilfe eines fortschrittlichen Deep-Learning-Algorithmus. Zum Vergleich wurden zwei Modelle entwickelt: ein PTP-Modell (Clinical Baseline), das Alter, Geschlecht und Symptommerkmale der Patienten berücksichtigte, und ein Hybridmodell, das sowohl IRT- als auch klinische Informationen aus den IRT- bzw. PTP-Modellen kombinierte.

Es wurden verschiedene Interpretationsanalysen durchgeführt, darunter Okklusionsexperimente, Visualisierung von Highlight-Maps, Dosis-Wirkungs-Analysen und die Vorhersage von Surrogat-CAD-Labels. Darüber hinaus wurden verschiedene IRT-Tabellenmerkmale aus dem IRT-Bild extrahiert und auf der Ebene des gesamten Gesichts und der Region of Interest (ROI) klassifiziert.

Insgesamt wurden die extrahierten Merkmale in Textur erster Ordnung, Textur zweiter Ordnung, Temperatur und fraktale Analysemerkmale klassifiziert. Der XGBoost-Algorithmus integrierte diese extrahierten Merkmale und bewertete ihren Vorhersagewert für angeborene Herzfehler. Die Forscher bewerteten die Leistung anhand aller Merkmale und nur der Temperaturmerkmale.

Insgesamt 893 Erwachsene, die sich zwischen September 2021 und Februar 2023 einer CCTA oder ICA unterzogen, wurden untersucht. Davon wurden 460 Teilnehmer mit einem Durchschnittsalter von 58,4 Jahren eingeschlossen; 27,4 % waren Frauen und 70 % hatten eine KHK. Patienten mit KHK wiesen ein höheres Alter und eine höhere Prävalenz von Risikofaktoren auf als Patienten ohne KHK. Das IRT-Bildmodell übertraf das PTP-Modell deutlich.

Die Leistung der Hybrid- und IRT-Bildmodelle unterschied sich jedoch nicht signifikant. Die Verwendung ausschließlich von Temperaturmerkmalen oder aller extrahierten Merkmale führte zu einer besseren Vorhersageleistung, was mit dem IRT-Bildmodell übereinstimmte. Auf der Gesamtgesichtsebene hatte der Temperaturunterschied von links nach rechts den größten Einfluss, während auf der ROI-Ebene die Durchschnittstemperatur des linken Kiefers den größten Einfluss hatte.

Beim IRT-Bildmodell wurden beim Verdecken verschiedener ROIs unterschiedliche Leistungseinbußen beobachtet. Die Verdeckung der Ober- und Unterlippenregion hatte die größten Auswirkungen. Darüber hinaus zeigte das IRT-Bildmodell gute Ergebnisse bei der Vorhersage von Surrogatmarkern im Zusammenhang mit CAD, wie Hyperlipidämie, Rauchen, Body-Mass-Index, Glykohämoglobin und Entzündungen.

Die Studie zeigte, dass die Verwendung von IRT-Gesichtstemperaturdaten zur Vorhersage von CAD sinnvoll ist. Das IRT-Bildmodell übertraf das in den Leitlinien empfohlene PTP-Modell und verdeutlichte sein Potenzial in der CAD-Beurteilung. Die Einbeziehung klinischer Informationen in das IRT-Bildmodell brachte keine zusätzliche Verbesserung, was darauf hindeutet, dass die extrahierten IRT-Informationen bereits wichtige Informationen zu CAD enthielten.

Darüber hinaus wurde der prädiktive Wert des IRT-Modells anhand der interpretierbaren IRT-Tabellenmerkmale bestätigt, die relativ konsistent mit dem IRT-Bildmodell waren. Diese Merkmale lieferten auch Informationen zu wichtigen Aspekten für die Vorhersage von angeborenen Herzfehlern, wie z. B. Gesichtstemperatursymmetrie und Ungleichmäßigkeit der Verteilung. Zur Validierung sind weitere Studien mit größeren Stichproben und unterschiedlichen Populationen erforderlich.