Brug af AI i kardiometabolisk risikoforudsigelse hos asiatiske indianere

AI er et udtryk, der indkapsler maskinlæring (ML), deep learning, overvåget læring, uovervåget læring, kunstige neurale netværk (ANN'er) og konvolutionelle neurale netværk (CNN'er). En væsentlig komponent af AI, ML, bliver i stigende grad brugt i sundhedsapplikationer (Shah, Patel, & Bharti, 2020), da det er et tværfagligt felt, som bruger teknikker til at sætte computere i stand til at undersøge datasæt uden eksplicit programmering. ML involverer udvikling af en model eller algoritme ved omhyggelig udtrækning af væsentlige funktioner fra træningsdata, som bruges til testformål. Testdata bruges til at lave forudsigelser om forskningsproblemer. ML kan effektivt opsummeres som: egenskabsekstraktion, valg af teknik til dataanalyse, træning af den nye model og evaluering af dens effektivitet og at lave forudsigelser ved hjælp af den trænede model. Superviseret og uovervåget læring er former for maskinlæring. I superviseret læring bruges kendte datasæt til at forstå mønstrene i datasæt, hvorimod i uovervåget læring bruges umærkede datasæt til at forstå dataene (Mathur et al., 2020).

Dybe læringsstrukturer bruger adskillige lag af beregninger. DL bruges hovedsageligt til behandling af store og rå datasæt. I ANN arbejder flere maskinlæringsalgoritmer sammen og behandler datainput, men i CNN findes skjulte noder i lag til information, komplekse data og billedbehandling. Med hurtige fremskridt inden for AI, ML og DL kan computerprogrammer effektivt simulere neural aktivitet i hjernens neocortex, hvor ræsonnement, tænkning og kognitive funktioner finder sted i et hurtigt tempo (Mathur et al., 2020).

Inden for kardiovaskulær medicin har AI omfattende anvendelser inden for lægemiddelterapi, farmakogenomi, hjertesvigt, billeddannelsesundersøgelser og diagnostik. Vigtigt er det, at AI har evnen til at levere mekanismer til at anvende præcisionsmedicin og big data i medicin, mens den forbedrer effektiviteten af ​​behandlingsregimen, der anbefales af kardiologen. Yderligere kan AI/ML-algoritmer analysere data uden forudsætninger til forudsigelse og klassificeringsformål. Således kan kardiovaskulær medicin drage bemærkelsesværdigt fordel af inkorporeringen og velovervejet udnyttelse af AI (Romiti et al., 2020).

Kardiometaboliske lidelser (CMD'er), herunder myokardieinfarkt, slagtilfælde og type 2-diabetes mellitus (T2DM), er forbundet med en øget sygelighed og dødelighed, og det er kendt, at en persons livsstil og træningsniveau er væsentlige risikofaktorer for CVD. Dette gælder især for patienter, der bruger betydelige perioder på stillesiddende arbejde, har begrænset mobilitet eller finder det udfordrende at opretholde acceptable mængder af motion, endsige nå de moderate til kraftige niveauer, der anbefales for kardiometabolisk sundhed (Landry et al. , 2022).

Asiatiske indianere er en af ​​de største voksende etniske grupper i verden og har en af ​​de højeste forekomster af hjerte-kar-sygdomme (CVD), herunder T2DM (Van Niel et al., 2021) koronararteriesygdom (herunder alvorlige kardiovaskulære hændelser eller MACE) . Flere årsager til CVD er blevet identificeret, såsom adoption af vestlige kostmønstre og vaner, genetisk disposition, ubalance i lipoproteiner og abdominal fedme. Visse perinatale påvirkninger betragtes også som mulige bidragydere.

Højt forbrug af omega-6 PUFA'er og mættet fedt er signifikant korreleret med fastende hyperinsulinemi og subklinisk inflammation. Sådanne ubalancerede kostvaner bidrager til høj forekomst af insulinresistens, det metaboliske syndrom og T2DM hos asiatiske indere (Isharwal, Misra, Wasir & Nigam, 2009). Yderligere har genetiske, kulturelle og socioøkonomiske faktorer også resulteret i denne sundhedskrise. Undersøgelser har konsekvent vist, at asiatiske indianere har en høj forekomst af insulinresistens, hvilket øger deres tendens til at udvikle T2DM og CVD i en yngre alder sammenlignet med personer af anden etnicitet (Misra & Vikram, 2004). Vigtige årsager kan være deres overskydende kropsfedt og uønskede kropsfedtmønstre, herunder abdominal fedt, selv når body mass index er inden for de aktuelt definerede normale grænser. Nogle af disse træk er blevet rapporteret ved fødslen og barndommen.

American Diabetes Association (ADA) har sænket BMI-grænsen (sammenlignet med kaukasiere) for T2DM-screening hos sydasiater. Nogle af de problemer, man støder på, er: variation i klinisk risikostratificering; mangel på etablerede retningslinjer for aterosklerose-billeddannelse og mangel på data til formulering af meningsfulde kliniske retningslinjer for personer af asiatisk indisk etnicitet.

Befolkningen af ​​asiatiske indianere stiger i USA i hastigt tempo (Gujral & Kanaya, 2021). En nylig forskningsundersøgelse fra American Heart Association (AHA) understreger den stigende udbredelse og dødelighed forbundet med CVD i denne etnicitet, hovedsageligt bidraget af insulinresistens og øget forekomst af T2DM. Indere er repræsentative for en meget succesrig gruppe af immigranter med højere indkomster og bedre sociale og økonomiske indikatorer. De foreløbige data opnået fra denne AI-baserede undersøgelse vil gøre vores team i stand til at opnå de nødvendige midler til langsigtet prospektiv forskning på dette område.