Oxford AI upptäcker tidig risk för hjärtsvikt från rutinmässiga datortomografiska skanningar med 86 % noggrannhet hos 72 000 patienter
I korthet
Forskare vid Oxfords universitet har utvecklat ett AI-system som upptäcker subtila, osynliga förändringar i hjärtfett från rutinmässiga datortomografier, och förutsäger risken för hjärtsvikt upp till fem år framåt med 86 % noggrannhet på 72 000 patienter.
Forskare vid University of Oxford har utvecklat ett artificiellt intelligenssystem som kan uppskatta en patients risk att utveckla hjärtsvikt upp till fem år i förväg, och uppnå 86 % noggrannhet i valideringen för fler än 72 000 patienter. Metoden kräver inte ytterligare tester, specialistinterventioner eller ny medicinsk utrustning, eftersom den förlitar sig på hjärt-CT-skanningar som redan rutinmässigt utförs i klinisk praxis.
Arbetet, som leds av professor Charalambos Antoniades och publiceras i Journal of the American College of Cardiology, adresserar en långvarig begränsning inom kardiologi: hjärtsvikt diagnostiseras vanligtvis först efter att betydande strukturell skada redan har uppstått, varvid förebyggande alternativ ofta är begränsade. Det föreslagna systemet riktar uppmärksamheten mot tidiga biologiska förändringar som föregår synliga symtom med flera år.
I mitten av modellen finns en okonventionell datakälla: fettet som omger hjärtat, känt som perikardiell fettvävnad. Även om denna vävnad traditionellt förbises vid rutinmässig skanningsanalys, verkar den återspegla underliggande inflammatoriska och metaboliska förändringar som sker i själva hjärtmuskeln.
Enligt forskarna förändrar dessa fettavlagringar gradvis sin struktur som svar på stress i hjärt-kärlsystemet, vilket skapar mönster som inte kan upptäckas genom vanlig mänsklig tolkning av bildresultat. AI-systemet är utformat för att identifiera dessa subtila variationer och översätta dem till en kvantifierad riskuppskattning för framtida hjärtsvikt.
Läsa signaler som det mänskliga ögat inte kan se
Hjärt-CT-undersökningar används flitigt inom Storbritanniens nationella hälsovårdsmyndighet (NHS) för att undersöka bröstsmärtor och bedöma kranskärlssjukdom, med hundratusentals skanningar som utförs årligen. I typiska kliniska arbetsflöden fokuserar radiologer främst på artärblockeringar och synliga avvikelser, medan omgivande fettvävnad får begränsad analytisk uppmärksamhet.
Oxfordmodellen använder detta förbisedda datalager på nytt genom att analysera texturella egenskaper i perikardiellt fett. Med hjälp av maskininlärningstekniker som tränats på anonymiserade datortomografidata från fler än 59 000 NHS-patienter lärde sig systemet att koppla specifika avbildningsmönster till senare utveckling av hjärtsvikt under långa uppföljningsperioder.
I valideringstester med ytterligare 13 424 patienter gav modellen en noggrannhet på 86 % i att förutsäga risken för hjärtsvikt inom fem år. Individer som klassificerades i gruppen med högst risk visade sig ha ungefär 20 gånger högre risk att utveckla tillståndet än de i den lägsta kategorin, med en uppskattad sannolikhet på en på fyra för debut inom fem år.
Viktigt är att systemet genererar riskpoäng automatiskt, utan att det krävs manuell inmatning från kliniker. Detta positionerar det som ett potentiellt beslutsstödjande verktyg snarare än en ersättning för befintliga diagnostiska processer.
Från hjärtskanningar till vilken datortomografi av bröstkorgen som helst – och en väg till NHS
Forskningens bredare ambition är att utöka tekniken bortom hjärtspecifik avbildning. Teamet arbetar för närvarande med att anpassa modellen för att analysera vanliga datortomografiska undersökningar av bröstkorgen, inklusive de som används vid lungcancerscreening och respiratorisk diagnostik. Med tanke på den betydligt högre volymen av datortomografiska undersökningar av bröstkorgen jämfört med hjärtspecifika undersökningar, skulle en sådan anpassning kunna öka systemets räckvidd avsevärt.
Kliniskt sett är implikationerna knutna till tidigare insatser. Genom att identifiera högriskpatienter år innan symtom uppstår kan vårdgivare anpassa övervakningsstrategier, initiera förebyggande behandlingar tidigare och prioritera resurser mer effektivt. Med hjärtsvikt som redan drabbar mer än en miljon människor i Storbritannien är den potentiella effekten på den långsiktiga vårdbehovet betydande.
Planer pågår nu för att söka myndighetsgodkännande för integration i rutinmässiga radiologiarbetsflöden inom NHS. Om systemet antas kommer det att fungera i bakgrunden av standardiserade bildbehandlingsprocedurer och producera automatiserade riskbedömningar utan extra kostnad eller ändringar i skanningsprotokoll.
Forskningen stöddes av British Heart Foundation och National Institute for Health and Care Research Biomedical Research Centre i Oxford. Den återspeglar ett bredare skifte inom medicinsk avbildning, där artificiell intelligens i allt högre grad används inte bara för att upptäcka befintlig sjukdom utan också för att härleda framtida risker från subtila, tidigare underutnyttjade biologiska signaler inbäddade i rutinmässiga skanningar.
Ansvarsfriskrivning
I linje med den Riktlinjer för Trust Project, vänligen notera att informationen på den här sidan inte är avsedd att vara och inte ska tolkas som juridisk, skattemässig, investerings-, finansiell eller någon annan form av rådgivning. Det är viktigt att bara investera det du har råd att förlora och att söka oberoende finansiell rådgivning om du har några tvivel. För ytterligare information föreslår vi att du hänvisar till villkoren samt hjälp- och supportsidorna som tillhandahålls av utfärdaren eller annonsören. MetaversePost är engagerad i korrekt, opartisk rapportering, men marknadsförhållandena kan ändras utan föregående meddelande.
Om författaren
Alisa, en engagerad journalist på MPost, specialiserar sig på krypto, AI, investeringar och det expansiva området av Web3. Med ett skarpt öga för nya trender och tekniker levererar hon omfattande täckning för att informera och engagera läsare i det ständigt föränderliga landskapet för digital ekonomi.
fler artiklar
Alisa, en engagerad journalist på MPost, specialiserar sig på krypto, AI, investeringar och det expansiva området av Web3. Med ett skarpt öga för nya trender och tekniker levererar hon omfattande täckning för att informera och engagera läsare i det ständigt föränderliga landskapet för digital ekonomi.
