Inteligența artificială detectează riscul cardiovascular ascuns în tomografiile toracice

Cercetătorii de la Mass General Brigham și Departamentul pentru Veterani din Statele Unite (VA) au dezvoltat un nou algoritm de învățare profundă, denumit AI-CAC, pentru a identifica nivelurile de calciu coronarian în tomografii computerizate toracice. Studiul, publicat în NEJM AI, demonstrează că această abordare poate prezice cu acuratețe riscul de evenimente cardiovasculare și mortalitatea la 10 ani.
Calciul coronarian este un marker bine cunoscut al riscului de infarct miocardic și accident vascular cerebral. Deși metoda standard de evaluare a acestui marker utilizează tomografii sincronizate cu electrocardiograma („gated CT”), milioane de tomografii toracice nesincronizate („nongated”<.em>) sunt realizate anual pentru alte scopuri, cum ar fi screeningul cancerului pulmonar. Aceste imagini conțin informații cardiace relevante, dar sunt rareori analizate din perspectiva riscului cardiovascular.

Abordările anterioare au fost limitate de eșantioane mici și lipsa diversității în sursele de date imagistice. Studiul actual se diferențiază prin utilizarea unei baze de date extinse, colectată din 98 de centre medicale VA, reflectând o gamă largă de protocoale imagistice și caracteristici demografice.

Despre studiu

Studiul a urmărit dezvoltarea și validarea unui algoritm de învățare profundă capabil să detecteze și să cuantifice scorul de calciu coronarian (CAC) în imagini CT toracice nesincronizate.

Metodologie

• Algoritmul AI-CAC a fost antrenat folosind 446 segmentări realizate de experți pe tomografii noncontrast, nongated.
• Performanța modelului a fost comparată cu scorurile CAC standard, obținute din CT-uri ECG-gated la 795 pacienți care aveau imagini pereche în decurs de 1 an.
• Validarea extinsă a fost realizată pe un set de 8.052 tomografii toracice în doză mică (LDCT), reprezentând utilizarea oportunistă a AI-CAC în imagistica clinică de rutină.

Populația studiată

• Datele provin din cadrul Departamentului pentru Veterani din SUA, ceea ce implică o populație predominant masculină, în vârstă și cu multiple comorbidități.
• Scopul ulterior este extinderea studiului în populația generală.

Rezultate

Acuratețea detecției scorului de calciu

• Modelul AI-CAC a atins o acuratețe de 89,4% (F1 = 0,93) în diferențierea între scor CAC 0 versus >0.
• Acuratețea în clasificarea scorurilor sub 100 versus ≥100 a fost de 87,3% (F1 = 0,89).

Predicția mortalității și evenimentelor cardiovasculare

• Pacienții cu scor CAC >400 au avut o rată de mortalitate la 10 ani de 60,2%, comparativ cu 25,4% la cei cu scor 0 (raport de risc = 3,49, P < 0,005).
• Rata compusă de infarct miocardic, accident vascular cerebral sau deces a fost de 63,8% în grupul cu CAC >400, față de 33,5% în grupul cu CAC 0 (raport de risc = 3,00, P < 0,005).

Impactul asupra deciziilor terapeutice

• Dintre cei 3.091 pacienți (38,4%) din cohorta LDCT cu scor AI-CAC >400, un eșantion aleatoriu a fost evaluat de 4 cardiologi.
• 99,2% dintre acești pacienți au fost considerați eligibili pentru inițierea terapiei de reducere a lipidelor.

Concluzii și perspective

Algoritmul AI-CAC demonstrează o capacitate robustă de a extrage valoare clinică din imagini CT toracice nesincronizate, deja disponibile în sistemele de sănătate. Aceasta oferă o oportunitate unică de a transforma medicina reactivă într-o abordare proactivă a prevenției cardiovasculare.

Limitarea majoră a studiului este generalizabilitatea redusă, având în vedere că datele provin exclusiv dintr-o populație de veterani. Sunt necesare studii suplimentare în populații mai diverse pentru a evalua eficacitatea și utilitatea clinică a AI-CAC în alte contexte.

Totuși, potențialul pentru screening oportunist, fără costuri suplimentare de imagistică, este considerabil, mai ales în contextul creșterii incidenței bolilor cardiovasculare și a nevoii de strategii de prevenție eficientă.