Aprendizagem profunda multimodal de anomalias do fundo de olho e fatores de risco tradicionais para previsão de risco cardiovascular

Dec 26, 2023

npj Digital Medicine volume 6, Número do artigo: 14 (2023) Citar este artigo

2959 acessos

2 citações

3 Altmétrico

Detalhes das métricas

A doença cardiovascular (DCV), a principal causa de morte em todo o mundo, está associada a fatores de risco subjacentes complicados. Desenvolvemos um modelo de inteligência artificial para identificar DCV usando dados multimodais, incluindo fatores de risco clínicos e fotografias de fundo de olho do Samsung Medical Center (SMC) para desenvolvimento e validação interna e do UK Biobank para validação externa. O modelo multimodal atinge uma área sob a curva característica de operação do receptor (AUROC) de 0,781 (intervalo de confiança [IC] de 95% 0,766–0,798) no SMC e 0,872 (IC 95% 0,857–0,886) no UK Biobank. Observamos ainda uma associação significativa entre a incidência de DCV e o risco previsto de pacientes em risco no Biobanco do Reino Unido (taxa de risco [HR] 6,28, IC 95% 4,72–8,34). Visualizamos a importância das características individuais na fotografia e dos fatores de risco tradicionais. Os resultados destacam que a fotografia não invasiva do fundo de olho pode ser um possível marcador preditivo para DCV.

As doenças cardiovasculares (DCV) são responsáveis ​​por cerca de 31% das mortes em todo o mundo, e 17,3 milhões de pessoas morrem de DCV a cada ano. Apesar dos esforços globais em saúde pública e do aumento do conhecimento médico, a elevada carga de DCV raramente diminui devido a factores de risco complicados que requerem modificações comportamentais e farmacêuticas a longo prazo1. Embora nenhuma ferramenta única de triagem e detecção com boa relação custo-benefício seja clinicamente adaptável para prever DCV, ferramentas de avaliação de risco, como o escore de risco de Framingham e a avaliação sistemática europeia do risco coronariano, estão bem estabelecidas, com modelagem estatística, que combina fatores de risco tradicionais, como idade , sexo, colesterol total e lipoproteína de alta densidade (HDL), pressão arterial, tabagismo e diabetes2,3,4. Esforços persistentes têm sido feitos nas últimas décadas para melhorar os modelos de previsão de risco, identificando e reclassificando os fatores de risco5,6.

Revisões sistemáticas recentes mostraram que a avaliação tradicional do risco cardiovascular pode superestimar ou subestimar os riscos de DCV e tem benefícios limitados nos resultados dos pacientes7. Mesmo agora, é difícil identificar os melhores modelos de avaliação de risco, dadas as diferenças nas categorias de risco, a disponibilidade de coortes comparáveis ​​e a heterogeneidade nas populações em risco8,9. Biomarcadores promissores diretamente relacionados à inflamação e às cargas ateroscleróticas, como o índice tornozelo-braquial, a proteína C reativa de alta sensibilidade e o escore de cálcio arterial coronariano (CAC), foram sugeridos recentemente; no entanto, estes modelos não tradicionais raramente mostraram uma melhoria significativa nas previsões de DCV8.

A visualização não invasiva de anormalidades vasculares ateroscleróticas, como tomografia computadorizada cardíaca ou ultrassonografia de carótida, é uma das avaliações clínicas mais precisas para pacientes com probabilidade baixa a intermediária de DCV pré-teste10,11,12,13. Entretanto, o rastreamento rotineiro das artérias coronárias ou carótidas tem sido desencorajado devido à sua baixa efetividade clínica e de custo em pacientes com menores fatores de risco14. Em contraste, as fotografias de fundo de olho (FP) são amplamente utilizadas em exames de triagem de saúde para doenças oculares porque são custo-efetivas. Além disso, os FP fornecem mais informações para avaliar o risco de DCV, incluindo a visualização não invasiva de anomalias vasculares ateroscleróticas. A relação patológica entre alterações microvasculares da retina e anormalidades vasculares sistêmicas tem sido bem reconhecida15,16,17,18.

Embora ainda não tenha sido estabelecida uma diretriz clínica para o diagnóstico de DCV por meio de PF, abordagens de inteligência artificial demonstraram que o PF prediz biomarcadores relacionados a DCV, bem como eventos de DCV19,20,21,22,23. Rim et al. sugeriram que FP previu um escore CAC, e Poplin et al. mostraram que o PF pode ser um preditor de fatores de risco cardiovascular, incluindo idade, sexo, tabagismo e pressão arterial sistólica, e de eventos cardíacos adversos importantes. Eles também procuraram prever eventos cardiovasculares futuros. Diagnosticar fatores de risco para DCV usando modelos preditivos não invasivos e com boa relação custo-benefício também é importante. Isto porque, em países de baixo e médio rendimento, onde as instalações laboratoriais e os médicos são limitados e a carga de DCV está a aumentar24, esses modelos preditivos são particularmente promissores para um diagnóstico preciso de DCV e para a identificação de indivíduos de alto risco.