Az AI használata a kardiometabolikus kockázatok előrejelzésében az ázsiai indiánoknál

Az AI egy olyan kifejezés, amely magában foglalja a gépi tanulást (ML), a mély tanulást, a felügyelt tanulást, a felügyelet nélküli tanulást, a mesterséges neurális hálózatokat (ANN) és a konvolúciós neurális hálózatokat (CNN). A mesterséges intelligencia egyik lényeges összetevőjét, az ML-t egyre gyakrabban használják az egészségügyi alkalmazásokban (Shah, Patel és Bharti, 2020), mivel ez egy interdiszciplináris terület, amely olyan technikákat alkalmaz, amelyek lehetővé teszik a számítógépek számára, hogy kifejezett programozás nélkül vizsgálják meg az adatkészleteket. Az ML egy modell vagy algoritmus fejlesztését foglalja magában a tesztelési célból felhasznált betanítási adatokból az alapvető jellemzők gondos kivonásával. A tesztadatokat kutatási problémák előrejelzésére használják. Az ML hatékonyan a következőképpen foglalható össze: jellemzők kinyerése, adatelemzési technikák kiválasztása, az új modell betanítása és hatékonyságának értékelése, valamint előrejelzések készítése a betanított modell segítségével. A felügyelt és felügyelet nélküli tanulás a gépi tanulás formái. A felügyelt tanulás során ismert adatkészleteket használnak az adathalmazok mintáinak megértésére, míg a felügyelt tanulásnál a címkézetlen adatkészleteket használják az adatok megértésére (Mathur et al., 2020).

A mély tanulási struktúrák számos számítási réteget használnak. A DL-t főleg nagy és nyers adatkészletek feldolgozására használják. Az ANN-ban több gépi tanulási algoritmus dolgozik együtt, és dolgozza fel a bemeneti adatokat, de a CNN-ben rejtett csomópontok vannak rétegekben az információk, az összetett adatok és a képfeldolgozás számára. Az AI, ML és DL gyors fejlődésével a számítógépes programok hatékonyan tudják szimulálni az agy neokortexének idegi aktivitását, ahol az érvelés, a gondolkodás és a kognitív funkciók gyors ütemben zajlanak (Mathur et al., 2020).

A szív- és érrendszeri gyógyászat területén a mesterséges intelligencia kiterjedt alkalmazásai vannak a gyógyszeres terápiában, a farmakogenomikában, a szívelégtelenségben, a képalkotó vizsgálatokban és a diagnosztikában. Fontos, hogy a mesterséges intelligencia képes a precíziós gyógyászat és a big data alkalmazására szolgáló mechanizmusokat biztosítani az orvostudományban, miközben fokozza a kardiológus által javasolt kezelési rend hatékonyságát. Ezenkívül az AI/ML algoritmusok előrejelzési és osztályozási célból feltételezések nélkül is elemezhetik az adatokat. Így a szív- és érrendszeri gyógyászat jelentős hasznot húzhat az MI beépítéséből és megfontolt felhasználásából (Romiti et al., 2020).

A kardiometabolikus rendellenességek (CMD), köztük a szívinfarktus, a stroke és a 2-es típusú diabetes mellitus (T2DM), fokozott morbiditással és mortalitással állnak összefüggésben, és ismert, hogy az egyén életmódja és mozgásszintje jelentős kockázati tényező a szív- és érrendszeri betegségekben. Ez különösen igaz azokra a betegekre, akik jelentős időt töltenek ülőmunkával, mozgásukban korlátozottak, vagy kihívást jelent számukra, hogy megfelelő mennyiségű testmozgást tartsanak fenn, nem is beszélve a kardiometabolikus egészséghez javasolt mérsékelttől az erőteljesig (Landry et al. , 2022).

Az ázsiai indiánok a világ egyik legnagyobb mértékben növekvő etnikai csoportja, és a szív- és érrendszeri megbetegedések (CVD) egyik legmagasabb aránya bennük, beleértve a T2DM-t (Van Niel és mtsai, 2021), a koszorúér-betegséget (beleértve a súlyos szív- és érrendszeri eseményeket vagy a MACE-t). . A szív- és érrendszeri betegségek számos okát azonosították, például a nyugati táplálkozási minták és szokások átvételét, a genetikai hajlamot, a lipoproteinek egyensúlyhiányát és a hasi elhízást. Bizonyos perinatális hatásokat is lehetséges közremûködõnek tekintenek.

Az omega-6 PUFA-k és a telített zsírok magas fogyasztása szignifikánsan korrelál az éhomi hiperinzulinémiával és a szubklinikai gyulladással. Az ilyen kiegyensúlyozatlan étrend hozzájárul az inzulinrezisztencia, a metabolikus szindróma és a T2DM magas előfordulásához az ázsiai indiánokban (Isharwal, Misra, Wasir és Nigam, 2009). Ezenkívül genetikai, kulturális és társadalmi-gazdasági tényezők is eredményezték ezt az egészségügyi válságot. Tanulmányok következetesen kimutatták, hogy az ázsiai indiánoknál magas az inzulinrezisztencia prevalenciája, ami megnöveli a T2DM és CVD kialakulásának hajlamát fiatalabb korukban, összehasonlítva más etnikumokhoz tartozó egyénekkel (Misra és Vikram, 2004). Ennek fontos oka lehet a túlzott testzsír és a káros testzsír-mintázat, beleértve a hasi zsírosodást, még akkor is, ha a testtömegindex a jelenleg meghatározott normál határokon belül van. Néhány ilyen jellemzőt születéskor és gyermekkorban jelentettek.

Az American Diabetes Association (ADA) csökkentette a BMI határértékét (a kaukázusiakhoz képest) a dél-ázsiaiak T2DM-szűrésére. Néhány felmerült probléma a következő: változékonyság a klinikai kockázati rétegződésben; az atherosclerosis képalkotására vonatkozó megállapított iránymutatások hiánya, valamint az ázsiai indián etnikumú személyekre vonatkozó érdemi klinikai irányelvek megfogalmazásához szükséges adatok hiánya.

Az ázsiai indiánok lakossága gyors ütemben növekszik az Egyesült Államokban (Gujral & Kanaya, 2021). Az American Heart Association (AHA) közelmúltbeli kutatása rávilágít a szív- és érrendszeri betegségek növekvő prevalenciájára és halálozására ebben az etnikumban, amihez elsősorban az inzulinrezisztencia és a T2DM fokozott előfordulása járul hozzá. Az indiaiak a magasabb jövedelmű, jobb társadalmi és gazdasági mutatókkal rendelkező bevándorlók rendkívül sikeres csoportját képviselik. Az AI-alapú tanulmányból nyert előzetes adatok lehetővé teszik csapatunk számára, hogy megszerezze a szükséges forrásokat az ezen a területen végzett hosszú távú prospektív kutatásokhoz.