אלגוריתם AI המבוסס רק על תמונות ממוגרפיה שגרתיות בתוספת גיל יכול לחזות את הסיכון של האישה למחלות קרדיווסקולריות גדולות כמו גם שיטות הערכת סיכונים סטנדרטיות, מוצא מחקרים שפורסמו באופן מקוון בכתב העת Journal לֵבו
ומכיוון שהיא משתמשת בתשתיות בריאות קיימות, ממוגרפיה שגרתית עשויה להציע אפשרות סינון יעילה 'שתיים עבור אחת' לנשים, מציעה לחוקרים.
מחלות לב וכלי דם וגורמי הסיכון שלה אינם מוכרים ומטופלים מתחת לנשים, ואלגוריתמי חיזוי סיכונים לא ביצעו בהם את החוקרים. ובעוד שציוני סיכון חדשים יותר מתפקדים טוב יותר אצל נשים מאשר אצל גברים, הם מורכבים והדיוק שלהם תלוי בנתונים רפואיים נרחבים, דבר שאינו תמיד זמין, הם מוסיפים.
היקף מרבצי הסידן העורקים (BAC) וצפיפות הרקמות בשדיים נקשרו לסיכון למחלות לב וכלי דם, אך BAC אינה קשורה להשמנת יתר וקשורה לרעה לעישון, מה שמרמז שהוא אינו יעיל מעצמו, הם מציעים.
לפיכך הם התכוונו לגלות אם ניתוח AI אוטומטי של מגוון המלא של מבנה השד והמאפיינים הפנימיים מתמונות ממוגרפיה שגרתיות עשוי להיות מדויק יותר בחיזוי סיכון לב וכלי דם.
הם משכו 49,196 נשים עם גיל ממוצע של 59, נרשמו בין 2009 ל 2020 במרשם הקוהורט של Lifepool, וחיים בויקטוריה, אוסטרליה.
בעת ההרשמה, הנשים סיפקו מידע בריאותי ראשוני ברקע על גילן, מצב העישון, צריכת אלכוהול, משקל (BMI), כל היסטוריה של סוכרת ושימוש בלחץ דם גבוה ו/או תרופות כולסטרול גבוה ומדללי דם.
מידע נוסף כלל את מצב גיל המעבר, היסטוריית הרבייה ושימוש בטיפול בהורמונים, כמו גם גורמים שעלולים להשפיע על המבנה הפנימי של השד, כמו הקרנות, ניתוח וסרטן.
כ -5% מהנשים היו מעשנות נוכחיות, 62% סבלו מ- BMI של יותר מ- 25, 6% סבלו מסוכרת מסוג 2, 33% נטלו תרופות לכולסטרול גבוה, 27% ללחץ דם גבוה ו -11% לקחו דק בדם.
במהלך תקופת מעקב ממוצעת של כמעט 9 שנים, 3392 מהנשים הללו סבלו מאירוע קרדיווסקולרי ראשון: מחלת עורקים כלילית (2383); התקף לב (656); שבץ (434) או אי ספיקת לב (731).
החוקרים פיתחו אלגוריתם AI המבוסס על השלמה מלאה של מבני שד פנימיים ותכונות מתמונות הממוגרפיה בתוספת גיל האישה כדי לחזות סיכון גדול למחלות לב וכלי דם במשך 10 שנים.
אלגוריתם AI זה היה טוב כמו ציוני הסיכון המודרניים המבוססים על גיל וגורמים קליניים שונים, כולל הכלי 'מנבא' של ניו זילנד והחשבון של איגוד הלב האמריקני 'מונע'. וזה היה מעט טוב יותר כאשר נוספו גורמים קליניים שונים.
החוקרים מכירים במספר מגבלות לממצאים שלהם, כולל שסורקים שונים אינם מייצרים בדיוק את אותם נתונים; גורמי הסיכון הקרדיווסקולריים המשמשים להשוואה הסתמכו על דיווח עצמי; וכל מודלי הלמידה העמוקה תלויים לחלוטין במערכי הנתונים האימונים שלהם.
אך הם אומרים: "יתרון מרכזי במודל הממוגרפיה שפיתחנו הוא בכך שהוא לא נדרש לנקוט בנתוני תיעוד רפואי נוסף או למנף תהליך סינון סיכון קיים בשימוש נרחב על ידי נשים."
הם מוסיפים: "לממוגרפיה יש פוטנציאל ככלי" שני-אחד-אחד ", המציע יעילות הן לקהילה והן למערכת הבריאות."
הם מודים כי "השימוש בתמונות ממוגרפיה כדי לחזות סיכון לב וכלי דם הוא חדשני, אך השימוש במודלים של למידת מכונה לביצוע חיזוי סיכון לב וכלי דם הוא צובר משיכה."
במאמר עריכה מקושרת, פרופסור ג'מה פיגריי וד"ר סטיוארט גריב מאוניברסיטת סידני, מציינים כי הביצועים הגרועים של אלגוריתמי גורם סיכון מסורתיים אצל נשים מורכבים מחוסר מודעות לאיום שמציב מחלות לב לנשים על ידי נשים עצמן ומערכת הבריאות.
"בניגוד למה שנחשב לרוב, סרטן השד גורם רק לכ -10% מכלל מקרי המוות ברחבי העולם בהשוואה לאלה הנובעים ממחלות לב וכלי דם", הם כותבים.
לפיכך ממוגרפיה עשויה לייצג "נקודת מגע" להעלאת המודעות לגבי סיכון לב וכלי דם במחלות אצל נשים ", הם מציעים.
אך הם מוסיפים: "אחד האתגרים עם כלים חדשים המראים הבטחה לשיפור הערכת הסיכון הקרדיווסקולרית נותרה יישום."
