Oxford AI registrerer tidlig risiko for hjertesvigt fra rutinemæssige CT-scanninger med 86% nøjagtighed på tværs af 72,000 patienter
Kort sagt
Forskere ved University of Oxford har udviklet et AI-system, der registrerer subtile, usynlige ændringer i hjertefedt fra rutinemæssige CT-scanninger og forudsiger risikoen for hjertesvigt op til fem år frem i tiden med 86 % nøjagtighed på tværs af 72,000 patienter.
Forskere på University of Oxford har udviklet et kunstigt intelligens-system, der kan estimere en patients risiko for at udvikle hjertesvigt op til fem år i forvejen og opnå en nøjagtighed på 86 % i valideringen på tværs af mere end 72,000 patienter. Tilgangen kræver ikke yderligere test, specialistintervention eller nyt medicinsk udstyr, da den er afhængig af CT-scanninger af hjertet, der allerede rutinemæssigt udføres i klinisk praksis.
Arbejdet, der er ledet af professor Charalambos Antoniades og offentliggjort i Journal of the American College of Cardiology, adresserer en langvarig begrænsning inden for kardiologi: hjertesvigt diagnosticeres typisk først, efter at der allerede er opstået betydelig strukturel skade, hvor forebyggelsesmulighederne ofte er begrænsede. Det foreslåede system flytter opmærksomheden til tidlige biologiske ændringer, der går flere år forud for synlige symptomer.
I midten af modellen er en ukonventionel datakilde: fedtet omkring hjertet, kendt som perikardielt fedtvæv. Selvom det traditionelt overses i rutinemæssig scanningsanalyse, ser dette væv ud til at afspejle underliggende inflammatoriske og metaboliske ændringer, der forekommer i selve hjertemusklen.
Ifølge forskerne ændrer disse fedtaflejringer gradvist deres tekstur som reaktion på stress i det kardiovaskulære system, hvilket skaber mønstre, der ikke kan detekteres gennem standard menneskelig fortolkning af billeddannelsesresultater. AI-systemet er designet til at identificere disse subtile variationer og oversætte dem til et kvantificeret risikoestimat for fremtidig hjertesvigt.
Aflæsning af signaler, som det menneskelige øje ikke kan se
Hjerte-CT-billeddannelse anvendes i vid udstrækning i Storbritanniens nationale sundhedsvæsen (NHS) til at undersøge brystsmerter og vurdere koronararteriesygdom, med hundredtusindvis af scanninger udført årligt. I typiske kliniske arbejdsgange fokuserer radiologer primært på arterielle blokeringer og synlige abnormiteter, mens det omgivende fedtvæv får begrænset analytisk opmærksomhed.
Oxford-modellen genbruger dette oversete datalag ved at analysere teksturelle træk i perikardielt fedt. Ved hjælp af maskinlæringsteknikker, der er trænet på anonymiserede CT-data fra mere end 59,000 NHS-patienter, lærte systemet at forbinde specifikke billeddannelsesmønstre med senere udvikling af hjertesvigt over lange opfølgningsperioder.
I valideringstest med 13,424 yderligere patienter opnåede modellen en nøjagtighed på 86 % i forudsigelsen af risikoen for hjertesvigt inden for fem år. Personer klassificeret i gruppen med højest risiko viste sig at have cirka 20 gange større sandsynlighed for at udvikle tilstanden end dem i den laveste kategori, med en estimeret sandsynlighed på én ud af fire for debut inden for fem år.
Det er vigtigt at bemærke, at systemet genererer risikoscorer automatisk uden behov for manuel input fra klinikere. Dette positionerer det som et potentielt beslutningsstøtteværktøj snarere end en erstatning for eksisterende diagnostiske processer.
Fra hjertescanninger til enhver CT-scanning af brystet — og en vej til NHS
Forskningens bredere ambition er at udvide teknologien ud over hjertespecifik billeddannelse. Teamet arbejder i øjeblikket på at tilpasse modellen til at analysere standard-CT-scanninger af brystkassen, herunder dem, der anvendes til screening for lungekræft og respiratorisk diagnostik. I betragtning af det betydeligt højere volumen af CT-scanninger af brystkassen sammenlignet med hjertespecifikke scanninger, kan en sådan tilpasning øge systemets rækkevidde betydeligt.
Klinisk set er implikationerne knyttet til tidligere intervention. Ved at identificere højrisikopatienter år før symptomerne opstår, kan sundhedspersonale justere overvågningsstrategier, iværksætte forebyggende behandlinger tidligere og prioritere ressourcer mere effektivt. Da hjertesvigt allerede rammer mere end en million mennesker i Storbritannien, er den potentielle indvirkning på den langsigtede efterspørgsel efter sundhedspleje betydelig.
Der er nu planer om at søge myndighedernes godkendelse til integration i rutinemæssige radiologi-arbejdsgange i NHS. Hvis systemet bliver taget i brug, vil det fungere i baggrunden af standard billeddiagnostiske procedurer og producere automatiserede risikovurderinger uden ekstra omkostninger eller ændringer i scanningsprotokoller.
Forskningen blev støttet af British Heart Foundation og National Institute for Health and Care Research Biomedical Research Centre i Oxford. Den afspejler et bredere skift inden for medicinsk billeddannelse, hvor kunstig intelligens i stigende grad ikke kun bruges til at opdage eksisterende sygdomme, men også til at udlede fremtidig risiko fra subtile, tidligere underudnyttede biologiske signaler indlejret i rutinemæssige scanninger.
Ansvarsfraskrivelse
I tråd med den Trust Project retningslinjer, bemærk venligst, at oplysningerne på denne side ikke er beregnet til at være og ikke skal fortolkes som juridiske, skattemæssige, investeringsmæssige, finansielle eller nogen anden form for rådgivning. Det er vigtigt kun at investere, hvad du har råd til at tabe, og at søge uafhængig finansiel rådgivning, hvis du er i tvivl. For yderligere information foreslår vi at henvise til vilkårene og betingelserne samt hjælpe- og supportsiderne fra udstederen eller annoncøren. MetaversePost er forpligtet til nøjagtig, objektiv rapportering, men markedsforholdene kan ændres uden varsel.
Om forfatteren
Alisa, en dedikeret journalist ved MPost, specialiserer sig i krypto, AI, investeringer og det omfattende område af Web3. Med et skarpt øje for nye trends og teknologier leverer hun omfattende dækning for at informere og engagere læserne i det stadigt udviklende landskab af digital finans.
Flere artikler
Alisa, en dedikeret journalist ved MPost, specialiserer sig i krypto, AI, investeringer og det omfattende område af Web3. Med et skarpt øje for nye trends og teknologier leverer hun omfattende dækning for at informere og engagere læserne i det stadigt udviklende landskab af digital finans.
