Einsatz von KI zur Vorhersage des kardiometabolischen Risikos bei asiatischen Indern

KI ist ein Begriff, der maschinelles Lernen (ML), Deep Learning, überwachtes Lernen, unüberwachtes Lernen, künstliche neuronale Netze (ANNs) und Faltungs-Neuronale Netze (CNNs) umfasst. Ein wesentlicher Bestandteil der KI, ML, wird zunehmend in Anwendungen im Gesundheitswesen eingesetzt (Shah, Patel & Bharti, 2020), da es sich um ein interdisziplinäres Feld handelt, das Techniken nutzt, die es Computern ermöglichen, Datensätze ohne explizite Programmierung zu untersuchen. ML beinhaltet die Entwicklung eines Modells oder Algorithmus durch sorgfältige Extraktion wesentlicher Merkmale aus den Trainingsdaten, die zu Testzwecken verwendet werden. Testdaten werden verwendet, um Vorhersagen zu Forschungsproblemen zu treffen. ML kann effektiv wie folgt zusammengefasst werden: Merkmalsextraktion, Auswahl der Technik für die Datenanalyse, Training des neuen Modells und Bewertung seiner Wirksamkeit sowie Vorhersagen mithilfe des trainierten Modells. Überwachtes und unüberwachtes Lernen sind Formen des maschinellen Lernens. Beim überwachten Lernen werden bekannte Datensätze verwendet, um die Muster in Datensätzen zu verstehen, während beim unüberwachten Lernen unbeschriftete Datensätze verwendet werden, um die Daten zu verstehen (Mathur et al., 2020).

Deep-Learning-Strukturen nutzen zahlreiche Berechnungsebenen. DL wird hauptsächlich zur Verarbeitung großer und Rohdatensätze verwendet. In ANN arbeiten mehrere Algorithmen für maschinelles Lernen zusammen und verarbeiten Dateneingaben, während in CNN versteckte Knoten in Schichten für Informationen, komplexe Daten und Bildverarbeitung vorhanden sind. Durch die rasanten Fortschritte in den Bereichen KI, ML und DL können Computerprogramme die neuronale Aktivität des Neokortex des Gehirns, in dem Argumentation, Denken und kognitive Funktionen schnell ablaufen, effektiv simulieren (Mathur et al., 2020).

Im Bereich der Herz-Kreislauf-Medizin findet KI umfangreiche Anwendungsmöglichkeiten in der Arzneimitteltherapie, Pharmakogenomik, Herzinsuffizienz, Bildgebungsstudien und Diagnostik. Wichtig ist, dass KI Mechanismen bereitstellen kann, um Präzisionsmedizin und Big Data in der Medizin anzuwenden und gleichzeitig die Wirksamkeit des vom Kardiologen empfohlenen Behandlungsschemas zu verbessern. Darüber hinaus können KI/ML-Algorithmen Daten ohne Annahmen für Vorhersage- und Klassifizierungszwecke analysieren. Somit kann die Herz-Kreislauf-Medizin erheblich von der Einbindung und sinnvollen Nutzung von KI profitieren (Romiti et al., 2020).

Kardiometabolische Störungen (CMDs), einschließlich Myokardinfarkt, Schlaganfall und Typ-2-Diabetes mellitus (T2DM), sind mit einer erhöhten Morbidität und Mortalität verbunden, und es ist bekannt, dass der Lebensstil und das Ausmaß an Bewegung einer Person erhebliche Risikofaktoren für Herz-Kreislauf-Erkrankungen sind. Dies gilt insbesondere für Patienten, die viel Zeit mit sitzender Arbeit verbringen, eingeschränkte Mobilität haben oder Schwierigkeiten haben, ein akzeptables Maß an körperlicher Betätigung durchzuhalten, geschweige denn die für die kardiometabolische Gesundheit empfohlenen moderaten bis starken Werte zu erreichen (Landry et al. , 2022).

Asiatische Inder sind eine der am stärksten wachsenden ethnischen Gruppen der Welt und haben eine der höchsten Raten an Herz-Kreislauf-Erkrankungen (CVD), einschließlich T2DM (Van Niel et al., 2021) und koronarer Herzkrankheit (einschließlich schwerer unerwünschter kardiovaskulärer Ereignisse oder MACE). . Es wurden mehrere Ursachen für Herz-Kreislauf-Erkrankungen identifiziert, wie z. B. die Übernahme westlicher Ernährungsmuster und -gewohnheiten, genetische Veranlagung, Ungleichgewicht der Lipoproteine ​​und abdominale Fettleibigkeit. Auch bestimmte perinatale Einflüsse werden als mögliche Auslöser angesehen.

Ein hoher Verzehr von Omega-6-PUFAs und gesättigten Fettsäuren korreliert signifikant mit Nüchtern-Hyperinsulinämie und subklinischer Entzündung. Eine solche unausgewogene Ernährung trägt zu einer hohen Prävalenz von Insulinresistenz, dem metabolischen Syndrom und T2DM bei asiatischen Indern bei (Isharwal, Misra, Wasir & Nigam, 2009). Darüber hinaus haben auch genetische, kulturelle und sozioökonomische Faktoren zu dieser Gesundheitskrise geführt. Studien haben durchweg gezeigt, dass asiatische Inder eine hohe Prävalenz von Insulinresistenz aufweisen, was ihre Tendenz zur Entwicklung von T2DM und CVD in jüngerem Alter im Vergleich zu Personen anderer ethnischer Zugehörigkeit erhöht (Misra & Vikram, 2004). Wichtige Gründe könnten ihr überschüssiges Körperfett und eine ungünstige Struktur des Körperfetts, einschließlich Adipositas im Bauchraum, sein, selbst wenn der Body-Mass-Index innerhalb der derzeit definierten Normgrenzen liegt. Einige dieser Merkmale wurden bereits bei der Geburt und in der Kindheit festgestellt.

Die American Diabetes Association (ADA) hat den BMI-Grenzwert (im Vergleich zu Kaukasiern) für das T2DM-Screening bei Südasiaten gesenkt. Einige der aufgetretenen Probleme sind: Variabilität bei der klinischen Risikostratifizierung; Mangel an etablierten Leitlinien für die Bildgebung von Atherosklerose und Mangel an Daten für die Formulierung aussagekräftiger klinischer Leitlinien bei Personen asiatisch-indischer Abstammung.

Die Bevölkerung asiatischer Indianer wächst in den Vereinigten Staaten rasant (Gujral & Kanaya, 2021). Eine aktuelle Forschungsstudie der American Heart Association (AHA) unterstreicht die steigende Prävalenz und Mortalität im Zusammenhang mit Herz-Kreislauf-Erkrankungen in dieser ethnischen Zugehörigkeit, die hauptsächlich auf Insulinresistenz und die erhöhte Inzidenz von T2DM zurückzuführen ist. Inder sind repräsentativ für eine äußerst erfolgreiche Einwanderergruppe mit höherem Einkommen und besseren sozialen und wirtschaftlichen Indikatoren. Die aus dieser KI-basierten Studie gewonnenen vorläufigen Daten werden es unserem Team ermöglichen, die notwendigen Mittel für langfristige, prospektive Forschung in diesem Bereich zu beschaffen.