Användning av AI i kardiometabolisk riskprediktion hos asiatiska indianer

AI är en term som kapslar in maskininlärning (ML), djupinlärning, övervakad inlärning, oövervakad inlärning, artificiella neurala nätverk (ANN) och konvolutionella neurala nätverk (CNN). En väsentlig komponent av AI, ML, används alltmer i hälsovårdstillämpningar (Shah, Patel, & Bharti, 2020), eftersom det är ett tvärvetenskapligt område som använder tekniker för att göra det möjligt för datorer att granska datamängder utan explicit programmering. ML innebär utveckling av en modell eller algoritm genom att noggrant extrahera väsentliga funktioner från träningsdata som används för teständamål. Testdata används för att göra förutsägelser om forskningsproblem. ML kan effektivt sammanfattas som: funktionsextraktion, val av teknik för dataanalys, träning av den nya modellen och utvärdering av dess effektivitet och att göra förutsägelser med hjälp av den tränade modellen. Övervakad och oövervakad inlärning är former av maskininlärning. I övervakat lärande används kända datamängder för att förstå mönstren i datamängder, medan i oövervakat lärande används omärkta datamängder för att förstå datan (Mathur et al., 2020).

Strukturer för djupinlärning använder många lager av beräkningar. DL används främst för att bearbeta stora och råa datamängder. I ANN arbetar flera maskininlärningsalgoritmer tillsammans och bearbetar datainmatningar, men i CNN finns dolda noder i lager för information, komplexa data och bildbehandling. Med snabba framsteg inom AI, ML och DL kan datorprogram effektivt simulera neural aktivitet i hjärnans neocortex där resonemang, tänkande och kognitiva funktioner sker i snabb takt (Mathur et al., 2020).

Inom området kardiovaskulär medicin har AI omfattande tillämpningar inom läkemedelsterapi, farmakogenomik, hjärtsvikt, avbildningsstudier och diagnostik. Viktigt är att AI har förmågan att tillhandahålla mekanismer för att tillämpa precisionsmedicin och big data inom medicin samtidigt som effektiviteten hos behandlingsregimen som rekommenderas av kardiologen förbättras. Vidare kan AI/ML-algoritmer analysera data utan antaganden för förutsägelse och klassificeringsändamål. Således kan kardiovaskulär medicin dra anmärkningsvärt nytta av införlivandet och ett klokt utnyttjande av AI (Romiti et al., 2020).

Kardiometabola störningar (CMD) inklusive hjärtinfarkt, stroke och typ 2-diabetes mellitus (T2DM), är kopplade till ökad sjuklighet och dödlighet, och det är känt att en individs livsstil och träningsnivå är betydande riskfaktorer för hjärt-kärlsjukdom. Detta gäller särskilt för patienter som tillbringar avsevärda perioder med stillasittande arbete, har begränsad rörlighet eller tycker det är utmanande att hålla ut acceptabel mängd motion, än mindre nå de måttliga till kraftiga nivåerna som rekommenderas för kardiometabolisk hälsa (Landry et al. , 2022).

Asiatiska indianer är en av de största växande etniska grupperna i världen och har en av de högsta frekvenserna av hjärt-kärlsjukdom (CVD), inklusive T2DM (Van Niel et al., 2021) kranskärlssjukdom (inklusive allvarliga kardiovaskulära händelser eller MACE) . Flera orsaker till hjärt-kärlsjukdom har identifierats, såsom adoption av västerländska kostmönster och vanor, genetisk predisposition, obalans i lipoproteiner och bukfetma. Vissa perinatala influenser betraktas också som möjliga bidragsgivare.

Hög konsumtion av omega-6 PUFA och mättat fett är signifikant korrelerad med fastande hyperinsulinemi och subklinisk inflammation. Sådana obalanserade dieter bidrar till hög förekomst av insulinresistens, det metabola syndromet och T2DM hos asiatiska indianer (Isharwal, Misra, Wasir & Nigam, 2009). Vidare har genetiska, kulturella och socioekonomiska faktorer också resulterat i denna sjukvårdskris. Studier har konsekvent visat att asiatiska indianer har en hög förekomst av insulinresistens vilket ökar deras tendens att utveckla T2DM och CVD vid en yngre ålder jämfört med individer av annan etnicitet (Misra & Vikram, 2004). Viktiga orsaker kan vara deras överskott av kroppsfett och negativa kroppsfettmönster, inklusive bukfett, även när kroppsmassaindexet ligger inom de för närvarande definierade normala gränserna. Vissa av dessa egenskaper har rapporterats vid födseln och barndomen.

American Diabetes Association (ADA) har sänkt BMI-gränsvärdet (jämfört med kaukasier) för T2DM-screening hos sydasiater. Några av de problem som uppstår är: variation i klinisk riskstratifiering; avsaknad av etablerade riktlinjer för åderförkalkningsavbildning, och brist på data för formulering av meningsfulla kliniska riktlinjer för personer av asiatisk indisk etnicitet.

Befolkningen av asiatiska indianer ökar i USA i snabb takt (Gujral & Kanaya, 2021). En nyligen genomförd forskningsstudie från American Heart Association (AHA) understryker den ökande prevalensen och dödligheten förknippad med hjärt-kärlsjukdom i denna etnicitet, främst bidragit av insulinresistens och ökad förekomst av T2DM. Indianer är representativa för en mycket framgångsrik grupp invandrare med högre inkomster och bättre sociala och ekonomiska indikatorer. De preliminära data som erhållits från denna AI-baserade studie kommer att göra det möjligt för vårt team att skaffa de nödvändiga medlen för långsiktig prospektiv forskning inom detta område.