Wykorzystanie sztucznej inteligencji w przewidywaniu ryzyka kardiometabolicznego u Indian azjatyckich

AI to termin obejmujący uczenie maszynowe (ML), uczenie głębokie, uczenie nadzorowane, uczenie nienadzorowane, sztuczne sieci neuronowe (ANN) i konwolucyjne sieci neuronowe (CNN). Istotny składnik sztucznej inteligencji, ML, jest coraz częściej wykorzystywany w aplikacjach opieki zdrowotnej (Shah, Patel i Bharti, 2020), ponieważ jest to dziedzina interdyscyplinarna, która wykorzystuje techniki umożliwiające komputerom badanie zbiorów danych bez jawnego programowania. ML obejmuje opracowanie modelu lub algorytmu poprzez staranne wyodrębnienie istotnych cech z danych treningowych, które są wykorzystywane do celów testowych. Dane testowe są wykorzystywane do przewidywania problemów badawczych. ML można skutecznie podsumować jako: ekstrakcję cech, wybór techniki analizy danych, uczenie nowego modelu i ocenę jego skuteczności oraz dokonywanie predykcji przy użyciu wytrenowanego modelu. Uczenie nadzorowane i nienadzorowane to formy uczenia maszynowego. W uczeniu nadzorowanym znane zestawy danych służą do zrozumienia wzorców w zestawach danych, podczas gdy w uczeniu nienadzorowanym do zrozumienia danych wykorzystywane są nieoznakowane zestawy danych (Mathur i in., 2020).

Struktury głębokiego uczenia wykorzystują wiele warstw obliczeń. DL jest używany głównie do przetwarzania dużych i surowych zbiorów danych. W ANN wiele algorytmów uczenia maszynowego współpracuje i przetwarza dane wejściowe, ale w CNN ukryte węzły istnieją w warstwach dla informacji, złożonych danych i przetwarzania obrazu. Dzięki szybkiemu postępowi w AI, ML i DL programy komputerowe mogą skutecznie symulować aktywność neuronalną kory nowej mózgu, w której rozumowanie, myślenie i funkcje poznawcze zachodzą w szybkim tempie (Mathur i in., 2020).

W dziedzinie medycyny sercowo-naczyniowej sztuczna inteligencja ma szerokie zastosowanie w terapii lekowej, farmakogenomice, niewydolności serca, badaniach obrazowych i diagnostyce. Co ważne, sztuczna inteligencja jest w stanie zapewnić mechanizmy zastosowania medycyny precyzyjnej i big data w medycynie przy jednoczesnym zwiększeniu skuteczności schematu leczenia zalecanego przez kardiologa. Ponadto algorytmy AI/ML mogą analizować dane bez założeń do celów przewidywania i klasyfikacji. W związku z tym medycyna sercowo-naczyniowa może odnieść znaczne korzyści z włączenia i rozsądnego wykorzystania sztucznej inteligencji (Romiti i in., 2020).

Zaburzenia sercowo-metaboliczne (CMD), w tym zawał mięśnia sercowego, udar mózgu i cukrzyca typu 2 (T2DM), wiążą się ze zwiększoną chorobowością i śmiertelnością, a wiadomo, że indywidualny styl życia i poziom ćwiczeń są istotnymi czynnikami ryzyka CVD. Jest to szczególnie prawdziwe w przypadku pacjentów, którzy spędzają dużo czasu wykonując siedzący tryb pracy, mają ograniczoną mobilność lub mają trudności z utrzymaniem dopuszczalnej ilości ćwiczeń, nie mówiąc już o osiągnięciu umiarkowanego lub intensywnego poziomu zalecanego dla zdrowia kardiometabolicznego (Landry i wsp. , 2022).

Indianie Azji są jedną z największych rozwijających się grup etnicznych na świecie i mają jeden z najwyższych wskaźników chorób sercowo-naczyniowych (CVD), w tym T2DM (Van Niel i in., 2021) choroby wieńcowej (w tym poważnych niepożądanych zdarzeń sercowo-naczyniowych lub MACE) . Zidentyfikowano kilka przyczyn CVD, takich jak przyjęcie zachodnich wzorców i nawyków żywieniowych, predyspozycje genetyczne, brak równowagi lipoprotein i otyłość brzuszna. Niektóre wpływy okołoporodowe są również uważane za możliwe czynniki.

Wysokie spożycie omega-6 PUFA i tłuszczów nasyconych jest istotnie skorelowane z hiperinsulinemią na czczo i subklinicznym stanem zapalnym. Taka niezrównoważona dieta przyczynia się do wysokiej częstości występowania insulinooporności, zespołu metabolicznego i T2DM u Indian azjatyckich (Isharwal, Misra, Wasir i Nigam, 2009). Co więcej, czynniki genetyczne, kulturowe i społeczno-ekonomiczne również spowodowały ten kryzys opieki zdrowotnej. Badania konsekwentnie wykazały, że Hindusi pochodzenia azjatyckiego mają dużą częstość występowania insulinooporności, co zwiększa ich skłonność do rozwoju T2DM i CVD w młodszym wieku w porównaniu z osobami z innych grup etnicznych (Misra i Vikram, 2004). Ważnymi przyczynami może być ich nadmiar tkanki tłuszczowej i niekorzystny układ tkanki tłuszczowej, w tym otyłość brzuszna, nawet gdy wskaźnik masy ciała mieści się w aktualnie określonych granicach normy. Niektóre z tych cech zostały zgłoszone przy urodzeniu i dzieciństwie.

American Diabetes Association (ADA) obniżyło wartość graniczną BMI (w porównaniu z osobami rasy kaukaskiej) dla badań przesiewowych T2DM u mieszkańców Azji Południowej. Niektóre napotkane problemy to: zmienność stratyfikacji ryzyka klinicznego; brak ustalonych wytycznych dotyczących obrazowania miażdżycy oraz niedostatek danych do sformułowania sensownych wytycznych klinicznych u osób pochodzenia azjatyckiego i indyjskiego.

Populacja Indian azjatyckich rośnie w Stanach Zjednoczonych w szybkim tempie (Gujral i Kanaya, 2021). Niedawne badanie przeprowadzone przez American Heart Association (AHA) podkreśla rosnącą częstość występowania i śmiertelność związaną z chorobami układu krążenia w tej grupie etnicznej, na co wpływ ma głównie insulinooporność i zwiększona częstość występowania cukrzycy typu 2. Indianie są reprezentatywną grupą imigrantów odnoszących duże sukcesy, o wyższych dochodach i lepszych wskaźnikach społecznych i ekonomicznych. Wstępne dane uzyskane z tego badania opartego na sztucznej inteligencji umożliwią naszemu zespołowi pozyskanie niezbędnych środków na długoterminowe badania prospektywne w tej dziedzinie.