Apprendimento profondo multimodale delle anomalie del fondo oculare e dei fattori di rischio tradizionali per la previsione del rischio cardiovascolare

Dec 26, 2023

npj Medicina Digitale volume 6, numero articolo: 14 (2023) Citare questo articolo

2959 accessi

2 citazioni

3 Altmetrico

Dettagli sulle metriche

Le malattie cardiovascolari (CVD), la principale causa di morte a livello globale, sono associate a complicati fattori di rischio sottostanti. Sviluppiamo un modello di intelligenza artificiale per identificare le CVD utilizzando dati multimodali, inclusi fattori di rischio clinici e fotografie del fondo oculare del Samsung Medical Center (SMC) per lo sviluppo e la convalida interna e della Biobanca del Regno Unito per la convalida esterna. Il modello multimodale raggiunge un’area sotto la curva caratteristica operativa del ricevitore (AUROC) di 0,781 (intervallo di confidenza al 95% [CI] 0,766–0,798) nella SMC e 0,872 (IC al 95% 0,857–0,886) nella biobanca del Regno Unito. Osserviamo inoltre un'associazione significativa tra l'incidenza di CVD e il rischio previsto per i pazienti a rischio nella biobanca del Regno Unito (rapporto di rischio [HR] 6,28, IC 95% 4,72-8,34). Visualizziamo l'importanza delle caratteristiche individuali nella fotografia e i tradizionali fattori di rischio. I risultati evidenziano che la fotografia non invasiva del fondo oculare può essere un possibile indicatore predittivo della CVD.

Si stima che le malattie cardiovascolari (CVD) rappresentino il 31% dei decessi in tutto il mondo e che 17,3 milioni di persone muoiono ogni anno a causa di malattie cardiovascolari. Nonostante gli sforzi globali nella sanità pubblica e l’aumento delle conoscenze mediche, l’elevato peso delle malattie cardiovascolari raramente diminuisce a causa di complicati fattori di rischio che richiedono modifiche comportamentali e farmaceutiche a lungo termine1. Sebbene nessun singolo strumento di screening e rilevamento economicamente vantaggioso sia clinicamente adattabile per prevedere le malattie cardiovascolari, strumenti di valutazione del rischio come il punteggio di rischio di Framingham e la valutazione sistematica del rischio coronarico europeo sono ben consolidati, con modelli statistici che combinano fattori di rischio tradizionali come l’età , sesso, colesterolo totale e lipoproteico ad alta densità (HDL), pressione sanguigna, fumo e diabete2,3,4. Negli ultimi decenni sono stati compiuti sforzi persistenti per migliorare i modelli di previsione del rischio identificando e riclassificando i fattori di rischio5,6.

Recenti revisioni sistematiche hanno dimostrato che la tradizionale valutazione del rischio cardiovascolare può sovra o sottostimare i rischi CV e presenta benefici limitati sugli esiti dei pazienti7. Anche adesso, identificare i migliori modelli di valutazione del rischio è difficile date le differenze nelle categorie di rischio, la disponibilità di coorti comparabili e l’eterogeneità nelle popolazioni a rischio8,9. Recentemente sono stati suggeriti biomarcatori promettenti direttamente correlati all'infiammazione e al carico aterosclerotico, come l'indice caviglia-braccio, la proteina C-reattiva ad alta sensibilità e il punteggio del calcio nell'arteria coronaria (CAC); tuttavia, questi modelli non tradizionali hanno raramente mostrato un miglioramento significativo nelle previsioni relative alle CVD8.

La visualizzazione non invasiva delle anomalie vascolari aterosclerotiche, come la tomografia computerizzata cardiaca o l'ecografia carotidea, è una delle valutazioni cliniche più accurate per i pazienti con probabilità CVD pre-test da bassa a intermedia10,11,12,13. Tuttavia, lo screening di routine delle arterie coronarie o carotidi è stato scoraggiato a causa della sua bassa efficacia clinica ed economica nei pazienti con fattori di rischio inferiori14. Al contrario, le fotografie del fondo oculare (FP) sono ampiamente utilizzate negli esami di screening sanitario per le malattie oculari perché sono economicamente vantaggiose. Inoltre, i FP forniscono maggiori informazioni per valutare il rischio CVD, inclusa la visualizzazione non invasiva delle anomalie vascolari aterosclerotiche. La relazione patologica tra alterazioni microvascolari retiniche e anomalie vascolari sistemiche è stata ben riconosciuta15,16,17,18.

Sebbene non sia stata ancora stabilita una linea guida clinica per la diagnosi di CVD tramite FP, gli approcci di intelligenza artificiale hanno dimostrato che la FP è in grado di prevedere i biomarcatori correlati alla CVD e gli eventi CVD19,20,21,22,23. Rim et al. hanno suggerito che FP prevedesse un punteggio CAC e Popelin et al. hanno dimostrato che la FP potrebbe essere un predittore di fattori di rischio cardiovascolare, tra cui età, sesso, abitudine al fumo e pressione arteriosa sistolica, e di eventi cardiaci avversi maggiori. Hanno anche cercato di prevedere futuri eventi cardiovascolari. È importante anche diagnosticare i fattori di rischio per CVD utilizzando modelli predittivi non invasivi ed economicamente vantaggiosi. Questo perché, nei paesi a basso e medio reddito, dove le strutture di laboratorio e i medici sono limitati e il peso delle malattie cardiovascolari è in aumento24, tali modelli predittivi sono particolarmente promettenti per una diagnosi accurata di malattie cardiovascolari e l’identificazione di individui ad alto rischio.