Gesichtstemperatur kann Herzkrankheiten genauer vorhersagen als aktuelle Methoden

In einer kürzlich in BMJ Health & Care Informatics veröffentlichten Studie untersuchten Forscher die Machbarkeit der Verwendung von Gesichtsinfrarotthermografie (IRT) zur Vorhersage koronarer Herzkrankheiten (KHK).

IHD ist eine der häufigsten Todesursachen und stellt eine erhebliche globale Belastung dar. Eine genaue Diagnose von KHK ist für die Pflege und Behandlung wichtig. Derzeit werden Bewertungstools für die Vortestwahrscheinlichkeit (PTP) verwendet, um die Wahrscheinlichkeit einer KHK bei Patienten zu bestimmen. Diese Tools sind jedoch subjektiv, haben nur begrenzte Einsatzmöglichkeiten und sind mäßig genau.

Obwohl zusätzliche kardiovaskuläre Tests (Koronarkalkzählung und Elektrokardiographie) oder ausgefeilte klinische Modelle, die zusätzliche Labormarker und Risikofaktoren integrieren, die Wahrscheinlichkeitsschätzungen verbessern können, gibt es Bedenken hinsichtlich der Zeiteffizienz, der Verfahrenskomplexität und der begrenzten Verfügbarkeit. p>

IRT, eine berührungslose Technologie zur Oberflächentemperaturerkennung, ist vielversprechend für die Krankheitsbeurteilung. Sie kann Entzündungen und abnormale Durchblutung anhand von Hauttemperaturmustern erkennen. Die Forschung zeigt Assoziationen zwischen IRT-Informationen und atherosklerotischen Herz-Kreislauf-Erkrankungen und verwandten Erkrankungen.

In dieser Studie untersuchten die Forscher die Durchführbarkeit der Verwendung von IRT-Gesichtstemperaturdaten zur Vorhersage von CAD. In die Studie wurden Erwachsene einbezogen, die sich einer Koronar-CT-Angiographie (CCTA) oder invasiven Koronarangiographie (ICA) unterzogen. Geschultes Personal beschaffte die Rohdaten und führte die IRT-Umfrage vor der CCTA oder ICA durch.

Elektronische Krankenakten wurden verwendet, um zusätzliche Informationen zu erhalten, darunter Blutchemie, Krankengeschichte, Risikofaktoren und Ergebnisse des CHD-Screenings. Ein IRT-Bild pro Teilnehmer wurde zur Analyse ausgewählt und verarbeitet (einheitliche Größenanpassung, Graustufenkonvertierung und Hintergrundzuschneiden).

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

Es wurden mehrere interpretierende Analysen durchgeführt, darunter Okklusionsexperimente, Ausscheidungskartenvisualisierung, Dosis-Wirkungs-Analysen und CAD-Surrogat-Label-Vorhersage. Darüber hinaus wurden verschiedene tabellarische IRT-Merkmale aus dem IRT-Bild extrahiert und auf der Ebene des gesamten Gesichts und des Interessenbereichs (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 CAD. Die Forscher bewerteten die Leistung anhand aller Merkmale und nur der Temperaturmerkmale.

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

Die Leistung der Hybrid- und IRT-Bildgebungsmodelle unterschied sich jedoch nicht signifikant. Die Verwendung nur von Temperaturmerkmalen oder aller extrahierten Merkmale wies eine bessere Vorhersageleistung auf, was mit dem IRT-Bildgebungsmodell übereinstimmte. Auf der Ebene des gesamten Gesichts war der Gesamttemperaturunterschied von links nach rechts der größte Einfluss, während auf der ROI-Ebene die Durchschnittstemperatur des linken Kiefers den größten Einfluss hatte.

Bei der Okklusion verschiedener ROIs wurden für das IRT-Bildgebungsmodell verschiedene Leistungseinbußen beobachtet. Die Okklusion der Ober- und Unterlippenbereiche hatte den größten Einfluss. Darüber hinaus schnitt das IRT-Bildgebungsmodell gut bei der Vorhersage von mit CAD verbundenen Surrogatmarkern ab, wie Hyperlipidämie, Rauchen, Body-Mass-Index, Glykohämoglobin und Entzündungen.

Die Studie zeigte, dass die Verwendung von IRT-Gesichtstemperaturdaten zur Vorhersage von CAD machbar ist. Das IRT-Bildgebungsmodell übertraf das in den Leitlinien empfohlene PTP-Modell und verdeutlichte damit sein Potenzial bei der Beurteilung von CAD. Darüber hinaus brachte die Einbeziehung klinischer Informationen in das IRT-Bildmodell keine zusätzlichen Verbesserungen, was darauf hindeutet, dass die extrahierten IRT-Informationen bereits wichtige CAD-bezogene Informationen enthielten.

Darüber hinaus wurde der Vorhersagewert des IRT-Modells anhand interpretierbarer tabellarischer IRT-Merkmale bestätigt, die relativ konsistent mit dem IRT-Bildmodell waren. Diese Merkmale lieferten auch Informationen zu wichtigen Aspekten für die Vorhersage von CAD, wie etwa Symmetrie und ungleichmäßige Verteilung der Gesichtstemperatur. Zur Validierung sind weitere Studien mit größeren Stichproben und unterschiedlichen Populationen erforderlich.