Jest to przewidywanie dużo dokładniejsze niż to oparte na masie ciała lub wskaźniku BMI.

„Ustalone modele ryzyka sercowo-naczyniowego opierają się aktualnie na takich czynnikach, jak waga i BMI, które są mają odzwierciedlać skład naszego ciała - mówi autorka badania, dr Kirti Magudia z Uniwersytetu Kalifornijskiego w San Francisco. - Jednak wszyscy przecież wiemy, że osoby z tym samym BMI mogą mieć znacząco różne proporcje mięśni i tłuszczu. A różnice te są niezwykle istotne z punktu widzenie wyników zdrowotnych”.

W przeciwieństwie do BMI, które opiera się na wzroście i masie ciała, pojedynczy obraz jamy brzusznej z tomografu komputerowego wizualizuje faktyczną objętość podskórnej tkanki tłuszczowej, trzewnej tkanki tłuszczowej i mięśni szkieletowych. Jednak ręczne mierzenie tych parametrów jest czasochłonne i kosztowne.

Dlatego właśnie dr Magudia wraz z multidyscyplinarnym zespołem złożonym z radiologów, analityków i biostatystyków, opracowała w pełni zautomatyzowaną metodę wykorzystującą głębokie uczenie się (rodzaj sztucznej inteligencji) w celu określenia wskaźników składu ciała na podstawie obrazów tomografii komputerowej (TK) jamy brzusznej.

Testowano ją na 23 tys. pacjentów (a ponad 33 tys. obrazów TK) bostońskich szpitali. W grupie tej naukowcy zidentyfikowali ponad 12 tys. osób, u których nie stwierdzono poważnych chorób sercowo-naczyniowych i chorób nowotworowych. Ich średni wiek wynosił 52 lata, a 57 proc. stanowiły kobiety.

Na podstawie analizy skanów L3 CT (czyli na wysokości trzeciego kręgu lędźwiowego kręgosłupa) sztuczna inteligencja obliczyła skład ciała każdego pacjenta, a następnie ustaliła, który z nich z dużym prawdopodobieństwem przejdzie zawał serca lub udar mózgu w ciągu kolejnych pięciu lat. W omawianej grupie (12 128 osób) przewidziała 1560 zawałów i 938 udarów.

Dalsza analiza wykazała, że objętość tłuszczu trzewnego była wyjątkowo silnie powiązana z przyszłym zawałem serca i udarem, zaś BMI nie było skorelowane ani z jednym, ani z drugim.

„Grupa pacjentów z najwyższym udziałem trzewnej tkanki tłuszczowej była bardziej narażona na zawał serca, nawet po uwzględnieniu znanych czynników ryzyka sercowo-naczyniowego - opowiada dr Magudia. - A grupa pacjentów z najmniejszą zawartością tłuszczu trzewnego była chroniona przed udarem w ciągu co najmniej kilku lat po badaniu TK jamy brzusznej”.

„Nasze wyniki pokazują, że precyzyjne pomiary mięśniowo-tłuszczowego składu ciała uzyskane za pomocą TK przewyższają tradycyjne biomarkery przewidywania ryzyka zdarzeń sercowo-naczyniowych” - dodaje.

Według Magudii omawiane badanie pokazuje, że w pełni zautomatyzowana i znormalizowana analiza składu ciała może być stosowana w praktyce klinicznej na dużą skalę.

„Pokazaliśmy, że systemy sztucznej inteligencji mogą zwiększyć wartość opieki medycznej poprzez wydobycie nowych informacji z istniejących danych obrazowych - podsumowuje dr Magudia. - Wdrożenie systemów sztucznej inteligencji pozwoliłoby radiologom, kardiologom i lekarzom podstawowej opieki zdrowotnej zapewnić lepszą opiekę pacjentom przy minimalnych dodatkowych kosztach dla systemu opieki zdrowotnej”.

Więcej - na stronie https://press.rsna.org/timssnet/media/pressreleases/14_pr_target.cfm?ID=2235 (PAP)

kap/ zan/