อุณหภูมิใบหน้าอาจทำนายโรคหัวใจได้แม่นยำกว่าวิธีการปัจจุบัน

ในการศึกษาล่าสุดที่ตีพิมพ์ในวารสารBMJ Health & Care Informaticsนักวิจัยได้ประเมินความเป็นไปได้ในการใช้เทอร์โมกราฟีอินฟราเรดบนใบหน้า (IRT) เพื่อคาดการณ์โรคหลอดเลือดหัวใจ (CHD)

CHD เป็นสาเหตุการเสียชีวิตอันดับต้นๆ ของโลกและเป็นปัญหาใหญ่ระดับโลก การวินิจฉัย CHD ที่แม่นยำมีความสำคัญต่อการดูแลและการรักษา ปัจจุบัน เครื่องมือประเมินความน่าจะเป็นก่อนการทดสอบ (PTP) ใช้เพื่อพิจารณาความน่าจะเป็นของ CHD ในผู้ป่วย อย่างไรก็ตาม เครื่องมือเหล่านี้มีปัญหาเรื่องความคิดเห็นส่วนตัว ความสามารถในการสรุปผลที่จำกัด และความแม่นยำปานกลาง

แม้ว่าการทดสอบระบบหัวใจและหลอดเลือดเพิ่มเติม (คะแนนแคลเซียมของหลอดเลือดหัวใจและคลื่นไฟฟ้าหัวใจ) หรือแบบจำลองทางคลินิกที่ซับซ้อนซึ่งผสานเครื่องหมายทางห้องปฏิบัติการและปัจจัยเสี่ยงเพิ่มเติมอาจช่วยปรับปรุงการประมาณความน่าจะเป็นได้ แต่ก็ยังมีปัญหาที่เกี่ยวข้องกับประสิทธิภาพด้านเวลา ความซับซ้อนของขั้นตอน และความพร้อมใช้งานที่จำกัด

เทคโนโลยี IRT ซึ่งเป็นเทคโนโลยีตรวจจับอุณหภูมิพื้นผิวที่ไม่ต้องสัมผัส ให้ผลลัพธ์ที่น่าพอใจสำหรับการประเมินโรค โดยสามารถตรวจจับการอักเสบและการไหลเวียนของเลือดที่ผิดปกติจากรูปแบบอุณหภูมิของผิวหนัง การศึกษาวิจัยแสดงให้เห็นถึงความเกี่ยวข้องระหว่างข้อมูลของ IRT กับโรคหลอดเลือดหัวใจและโรคที่เกี่ยวข้อง

ในการศึกษานี้ นักวิจัยได้ประเมินความเป็นไปได้ในการใช้ข้อมูลอุณหภูมิ IRT บนใบหน้าเพื่อทำนาย CAD ผู้ใหญ่ที่เข้ารับการตรวจหลอดเลือดหัวใจด้วย CT (CCTA) หรือการตรวจหลอดเลือดหัวใจแบบรุกราน (ICA) จะรวมอยู่ในการศึกษานี้ บุคลากรที่ผ่านการฝึกอบรมจะได้รับข้อมูลพื้นฐานและดำเนินการเก็บข้อมูล IRT ก่อนเข้ารับการตรวจ CCTA หรือ ICA

บันทึกทางการแพทย์อิเล็กทรอนิกส์ถูกนำมาใช้เพื่อรับข้อมูลเพิ่มเติม รวมถึงชีวเคมีในเลือด ประวัติทางคลินิก ปัจจัยเสี่ยง และผลการคัดกรอง CAD มีการเลือกภาพ IRT หนึ่งภาพต่อผู้เข้าร่วมหนึ่งคนสำหรับการวิเคราะห์และประมวลผล (การปรับขนาดแบบสม่ำเสมอ การแปลงเป็นเฉดสีเทา และการครอบตัดพื้นหลัง)

ทีมได้พัฒนาแบบจำลองภาพ IRT โดยใช้ขั้นตอนการเรียนรู้เชิงลึกขั้นสูง มีการพัฒนาแบบจำลองสองแบบเพื่อการเปรียบเทียบ หนึ่งคือแบบจำลอง PTP (พื้นฐานทางคลินิก) ที่รวมอายุ เพศ และลักษณะอาการของผู้ป่วย และอีกแบบหนึ่งเป็นไฮบริดที่รวมทั้งข้อมูล IRT และข้อมูลทางคลินิกจากแบบจำลอง IRT และ PTP ตามลำดับ

มีการดำเนินการวิเคราะห์การตีความหลายอย่าง รวมถึงการทดลองการบดบัง การสร้างภาพแผนที่ไฮไลต์ การวิเคราะห์ปริมาณ-การตอบสนอง และการคาดการณ์ฉลาก CAD ทดแทน นอกจากนี้ คุณลักษณะตาราง IRT ต่างๆ จะถูกแยกออกมาจากภาพ IRT โดยจัดประเภทในระดับใบหน้าทั้งหมดและบริเวณที่สนใจ (ROI)

โดยรวมแล้ว คุณลักษณะที่แยกออกมาจะถูกจำแนกเป็นพื้นผิวลำดับที่หนึ่ง พื้นผิวลำดับที่สอง อุณหภูมิ และคุณลักษณะการวิเคราะห์แบบแฟรกทัล อัลกอริทึม XGBoost จะรวมคุณลักษณะที่แยกออกมาเหล่านี้และประเมินค่าการทำนายสำหรับ CHD นักวิจัยประเมินประสิทธิภาพโดยใช้คุณลักษณะทั้งหมดและคุณลักษณะอุณหภูมิเท่านั้น

ผู้ใหญ่ทั้งหมด 893 รายที่เข้ารับการตรวจ CCTA หรือ ICA ได้รับการคัดกรองระหว่างเดือนกันยายน 2021 ถึงเดือนกุมภาพันธ์ 2023 ในจำนวนนี้ มีผู้เข้าร่วม 460 รายที่มีอายุเฉลี่ย 58.4 ปีเข้าร่วมด้วย โดย 27.4% เป็นผู้หญิงและ 70% มี CAD ผู้ป่วย CAD มีอายุและความชุกของปัจจัยเสี่ยงสูงกว่าผู้ป่วยที่ไม่มี CAD โมเดลภาพ IRT มีประสิทธิภาพเหนือกว่าโมเดล PTP อย่างมีนัยสำคัญ

อย่างไรก็ตาม ประสิทธิภาพของแบบจำลองภาพไฮบริดและ IRT ไม่แตกต่างกันอย่างมีนัยสำคัญ การใช้คุณลักษณะอุณหภูมิเพียงอย่างเดียวหรือคุณลักษณะที่สกัดทั้งหมดมีประสิทธิภาพการทำนายที่เหนือกว่า ซึ่งสอดคล้องกับแบบจำลองภาพ IRT ในระดับใบหน้าทั้งหมด ความแตกต่างของอุณหภูมิโดยรวมจากซ้ายไปขวาส่งผลกระทบมากที่สุด ในขณะที่ระดับ ROI อุณหภูมิเฉลี่ยของขากรรไกรซ้ายส่งผลกระทบมากที่สุด

พบว่าแบบจำลองภาพ IRT มีระดับการเสื่อมประสิทธิภาพที่แตกต่างกันเมื่อปิดกั้น ROI ที่แตกต่างกัน การปิดกั้นบริเวณริมฝีปากบนและล่างส่งผลกระทบมากที่สุด นอกจากนี้ แบบจำลองภาพ IRT ยังทำงานได้ดีในการคาดการณ์เครื่องหมายทดแทนที่เกี่ยวข้องกับ CAD เช่น ภาวะไขมันในเลือดสูง การสูบบุหรี่ ดัชนีมวลกาย ฮีโมโกลบินที่ไกลเคต และการอักเสบ

การศึกษานี้แสดงให้เห็นถึงความเป็นไปได้ในการใช้ข้อมูลอุณหภูมิใบหน้า IRT เพื่อทำนาย CAD โมเดลภาพ IRT มีประสิทธิภาพเหนือกว่าโมเดล PTP ที่แนะนำตามแนวทางปฏิบัติ ซึ่งเน้นย้ำถึงศักยภาพในการประเมิน CAD นอกจากนี้ การรวมข้อมูลทางคลินิกเข้ากับโมเดลภาพ IRT ไม่ได้ช่วยปรับปรุงเพิ่มเติม ซึ่งแสดงให้เห็นว่าข้อมูล IRT ที่แยกออกมาประกอบด้วยข้อมูลสำคัญที่เกี่ยวข้องกับ CAD อยู่แล้ว

นอกจากนี้ ค่าการทำนายของแบบจำลอง IRT ได้รับการยืนยันโดยใช้คุณลักษณะของตาราง IRT ที่สามารถตีความได้ ซึ่งค่อนข้างสอดคล้องกับแบบจำลองภาพ IRT คุณลักษณะเหล่านี้ยังให้ข้อมูลเกี่ยวกับประเด็นสำคัญในการทำนาย CHD เช่น ความสมมาตรของอุณหภูมิใบหน้าและความไม่สม่ำเสมอของการกระจาย จำเป็นต้องมีการศึกษาเพิ่มเติมโดยใช้กลุ่มตัวอย่างที่ใหญ่ขึ้นและประชากรที่หลากหลายเพื่อการตรวจสอบความถูกต้อง