顔面温度は、現在の方法よりも高い精度で心臓病を予測できる可能性がある

BMJ Health & Care Informatics に最近掲載された研究では、研究者らは顔面赤外線サーモグラフィー (IRT) を使用して冠動脈疾患 (CHD) を予測する可能性を評価しました。

IHD は主要な死亡原因の 1 つであり、世界的に大きな負担となっています。CAD の正確な診断は、ケアと治療にとって重要です。現在、患者の CAD の可能性を判断するために、検査前確率 (PTP) 評価ツールが使用されています。しかし、これらのツールには主観性、汎用性の限界、中程度の精度といった問題があります。

追加の心血管検査（冠動脈カルシウム値と心電図）や追加の臨床マーカーとリスク要因を統合した高度な臨床モデルによって確率推定値を改善できますが、時間効率、手順の複雑さ、利用可能性の限界に関する懸念があります。 p>

非接触型表面温度検出技術である IRT は、疾患評価に有望です。皮膚温度パターンから炎症や異常な循環を検出できます。研究では、IRT 情報とアテローム性動脈硬化性心血管疾患および関連疾患との関連性が示されています。

この研究では、研究者らは顔面 IRT 温度データを使用して CAD を予測する可能性を評価しました。冠動脈 CT 血管造影（CCTA）または侵襲性冠動脈造影（ICA）を受ける成人が研究対象となりました。訓練を受けた担当者が生データを取得し、CCTA または ICA の前に IRT 調査を実施しました。

電子医療記録を使用して、血液化学、病歴、リスク要因、CHD スクリーニング結果などの追加情報を取得しました。参加者ごとに 1 つの IRT 画像が選択され、分析および処理されました (統合されたサイズ変更、グレースケール変換、背景の切り取り)。

チームは、高度なディープラーニング アルゴリズムを使用して IRT 画像モデルを開発しました。比較のために 2 つのモデルが開発されました。1 つは患者の年齢、性別、症状の特徴を含む PTP (臨床ベースライン) モデルで、もう 1 つは IRT モデルと PTP モデルからの IRT 情報と臨床情報の両方を組み合わせたハイブリッドです。

閉塞実験、排泄マップの視覚化、用量反応分析、CAD 代替ラベル予測など、いくつかの解釈分析が実行されました。さらに、IRT 画像からさまざまな表形式の IRT 特徴が抽出され、顔全体と関心領域 (ROI) のレベルで分類されました。

全体として、抽出された特徴は、一次テクスチャ、二次テクスチャ、温度、フラクタル分析の特徴に分類されました。XGBoost アルゴリズムは、これらの抽出された特徴を統合し、CAD の予測値を評価しました。研究者は、すべての特徴と温度特徴のみを使用してパフォーマンスを評価しました。

2021 年 9 月から 2023 年 2 月の間に、CCTA または ICA を受けた成人 893 人が評価されました。このうち、平均年齢 58.4 歳の 460 人の参加者が含まれ、27.4% が女性で、70% が CAD でした。CAD 患者は、CAD のない患者と比較して、年齢とリスク要因の有病率が高かった。IRT 画像モデルは、PTP モデルを大幅に上回りました。

ただし、ハイブリッド モデルと IRT 画像モデルのパフォーマンスに大きな違いはありませんでした。温度特徴のみ、または抽出されたすべての特徴を使用した場合、予測性能が優れており、これは IRT 画像モデルと一致していました。顔全体のレベルでは、左右の全体的な温度差が最も大きな影響を与えましたが、ROI レベルでは、左顎の平均温度が最も大きな影響を与えました。

さまざまな ROI が遮蔽された場合、IRT 画像モデルではさまざまなレベルのパフォーマンス低下が見られました。上唇と下唇の領域の遮蔽が最も大きな影響を与えました。さらに、IRT 画像モデルは、高脂血症、喫煙、BMI、グリコヘモグロビン、炎症など、CAD に関連する代替マーカーの予測において優れたパフォーマンスを示しました。

この研究では、顔面の IRT 温度データを使用して CAD を予測できる可能性が実証されました。IRT 画像モデルはガイドラインで推奨されている PTP モデルよりも優れており、CAD の評価におけるその可能性が強調されています。さらに、臨床情報を IRT 画像モデルに組み込んでもさらなる改善は見られず、抽出された IRT 情報にはすでに重要な CAD 関連情報が含まれていることが示唆されています。

さらに、IRT モデルの予測値は、IRT 画像モデルと比較的一致する解釈可能な表形式の IRT 特徴を使用して確認されました。これらの特徴は、顔面温度の対称性や不均一な分布など、CAD を予測するための重要な側面に関する情報も提供しました。検証には、より大規模なサンプルと多様な集団によるさらなる研究が必要です。