AI ocenia badania obrazowe i przewiduje ryzyko zdrowotne
Analiza MRI całego ciała wykonana przez sztuczną inteligencję pozwala jej przewidywać stan zdrowia na podstawie takich parametrów jak jakość mięśni szkieletowych i ilość tłuszczu trzewnego. Są one istotnym czynnikiem prognostycznym cukrzycy, poważnych zdarzeń sercowo-naczyniowych i ryzyka śmierci.
Badanie przeprowadzili naukowcy z Uniwersyteckiego Centrum Medycznego we Fryburgu. Wykorzystali oni sztuczną inteligencję do analizy skanów MRI całego ciała ponad 66 tys. uczestników. Postanowili w ten sposób stworzyć najdokładniejszą jak dotąd mapę referencyjną, na której przedstawiono, jak tłuszcz i mięśnie są rozmieszczone w ludzkim ciele w zależności od wieku, płci i wzrostu.
Uzyskane przez nich wyniki pokazały, że jakość mięśni szkieletowych, obok ilości tłuszczu trzewnego, jest silnym czynnikiem prognostycznym cukrzycy, poważnych zdarzeń sercowo-naczyniowych i ryzyka śmierci.
Analizowanie składu ciała przez sztuczną inteligencję lekarstwem na ograniczenia BMI?
Jak zaznaczyli badacze, aby szacować ryzyko kardiometaboliczne oraz ogólny stan zdrowia, lekarze od dawna opierają się na wskaźniku masy ciała (BMI). Jak jednak argumentowali, BMI jest niedokładną miarą składu ciała, ponieważ uwzględnia tylko wzrost i masę, bez masy mięśniowej ani rozmieszczenia tkanki tłuszczowej.
– Wiele ocen ryzyka i decyzji terapeutycznych nadal opiera się na BMI lub obwodzie talii, ponieważ są to dane łatwe do uzyskania. BMI nie odzwierciedla jednak wiarygodnie rzeczywistego składu ciała danej osoby – podkreśla dr Jakob Weiss, radiolog z Uniwersyteckiego Centrum Medycznego we Fryburgu, autor badania opisanego w magazynie „Radiology”.
Według eksperta środowisku medycznemu brakuje także standardów referencyjnych pokazujących, jak skład ciała zmienia się wraz z wiekiem u osób bez niepokojących objawów, a także jakie są różnice między kobietami i mężczyznami. – Istnieje coraz więcej dowodów na to, że wskaźniki składu ciała są niezależnymi czynnikami ryzyka chorób kardiometabolicznych i onkologicznych oraz śmiertelności. Na wskaźniki te wpływają jednak wzrost i płeć, a ponadto zmieniają się one znacząco wraz z wiekiem – mówi pierwszy autor badania, dr Matthias Jung, także z Uniwersyteckiego Centrum Medycznego we Fryburgu.
Badacze stwierdzili, że wysoki poziom tłuszczu trzewnego wiązał się aż z 2,26-krotnie większym ryzykiem rozwoju cukrzycy w przyszłości, wysoki poziom tłuszczu śródmięśniowego – z 1,54-krotnie większym ryzykiem wystąpienia poważnych zdarzeń sercowo-naczyniowych, a niska masa mięśni szkieletowych – z 1,44-krotnie wyższą śmiertelnością z dowolnej przyczyny, niezależnie od czynników ryzyka kardiometabolicznego.
– Liczy się nie tylko to, ile mamy mięśni, ale także ich jakość. Znajomość objętości tłuszczu śródmięśniowego daje nam wgląd w jakość mięśni, którego inne metody, takie jak ocena BMI, analiza impedancji bioelektrycznej czy DEXA, nie są w stanie łatwo zapewnić – podkreśla dr Jung.
AI może analizować informacje, które już posiadamy
Naukowcy udostępnili już internetowy kalkulator wskaźników składu ciała, skorygowanych o wiek, płeć i wzrost. Wyjaśniają, że ma on wspierać przyszłe badania i przyspieszyć zastosowanie wyników w praktyce klinicznej. – To narzędzie może pozwolić lekarzom wykorzystywać rutynowe badania obrazowe w sposób oportunistyczny. Specjalne badanie MRI całego ciała nie jest koniecznie wymagane. Jeśli istnieje już rutynowy skan CT lub MRI ciała, można z niego wydobyć potrzebne informacje i porównać je z wartościami referencyjnymi – tłumaczy dr Weiss.
Według niego nowe, oparte na AI narzędzie może także pomóc w lepszej stratyfikacji ryzyka w onkologii lub w odróżnianiu pożądanej utraty tkanki tłuszczowej od niepożądanej utraty mięśni u pacjentów stosujących leki odchudzające, takie jak agoniści GLP-1. – I tak codziennie wykonujemy badania obrazowe pacjentów. W każdym skanie jamy brzusznej czy klatki piersiowej te informacje są obecne, po prostu rutynowo ich nie mierzymy ani nie opisujemy. AI pozwala nam teraz sięgnąć po tę ukrytą warstwę danych w sposób ilościowy i powtarzalny – wyjaśnia dr Weiss.
W dalszych krokach naukowcy planują dopracować swoją metodę, zwłaszcza pod kątem przewidywania toksyczności leczenia, przeżycia i nawrotów u pacjentów onkologicznych oraz różnych grup pacjentów.
Przeczytaj także: „AI w diagnostyce czerniaka – analiza skuteczności i implikacje kliniczne”.
