ИИ научили предсказывать риск болезней сердца и сосудов по рентгену

Новая модель глубокого обучения для прогнозирования сердечно-сосудистых рисков от ученых Гарварда

Исследователи из Массачусетской общей больницы и Медицинской школы Гарварда в Бостоне создали передовую модель глубокого обучения, способную предсказывать риск развития сердечно-сосудистых заболеваний и значительных сердечно-сосудистых событий на основании рентгеновского снимка грудной клетки. Опубликованные в Annals of Internal Medicine результаты этого исследования демонстрируют, что модель CXR CVD-Risk предлагает новаторский подход к прогнозированию сердечно-сосудистых рисков, превосходя текущие клинические методы, передает Центральная Служба Новостей.

Модель была обучена на данных из исследований скрининга рака и впоследствии проверена на выборке из 8 869 амбулаторных пациентов без известного риска атеросклеротических сердечно-сосудистых заболеваний и 2 132 пациентов с известным риском. Результаты показали, что модель способна идентифицировать пациентов с повышенным 10-летним риском значительных сердечно-сосудистых событий, что подчеркивает ее потенциальную полезность в клинической практике.

Это открытие является значительным шагом вперед в кардиологии, предлагая эффективный неинвазивный метод для определения пациентов с высоким риском сердечно-сосудистых заболеваний. Применение рентгеновских снимков грудной клетки в качестве инструмента для оценки сердечно-сосудистого риска может значительно усилить усилия по раннему выявлению и профилактике сердечно-сосудистых событий.

Внедрение модели CXR CVD-Risk обещает преобразовать подходы к выявлению и управлению сердечно-сосудистыми рисками, предоставляя врачам более точные инструменты для идентификации пациентов, нуждающихся в дополнительном обследовании или коррекции образа жизни. Ожидается, что такие инновации улучшат профилактику и лечение сердечно-сосудистых заболеваний, внося вклад в спасение жизней и повышение качества жизни миллионов людей по всему миру. Интеграция искусственного интеллекта и машинного обучения в медицинскую практику открывает новые перспективы в точной диагностике и персонализированном подходе к лечению, подчеркивая роль этих технологий в будущем здравоохранения.