使用人工智能预测亚洲印度人的心脏代谢风险

AI 是一个涵盖机器学习 (ML)、深度学习、监督学习、无监督学习、人工神经网络 (ANN) 和卷积神经网络 (CNN) 的术语。 机器学习是人工智能的一个重要组成部分，越来越多地用于医疗保健应用（Shah、Patel 和 Bharti，2020），因为它是一个跨学科领域，使用技术使计算机无需显式编程即可检查数据集。 机器学习涉及通过从用于测试目的的训练数据中仔细提取基本特征来开发模型或算法。 测试数据用于对研究问题进行预测。 机器学习可以有效地概括为：特征提取、数据分析技术的选择、新模型的训练和效果评估、以及使用训练后的模型进行预测。 监督学习和无监督学习是机器学习的形式。 在监督学习中，已知的数据集用于理解数据集中的模式，而在无监督学习中，未标记的数据集用于理解数据（Mathur et al., 2020）。

深度学习结构使用多层计算。 深度学习主要用于处理大型原始数据集。 在 ANN 中，多种机器学习算法协同工作并处理数据输入，但在 CNN 中，隐藏节点存在于层中，用于信息、复杂数据和图像处理。 随着人工智能、机器学习和深度学习的快速发展，计算机程序可以有效地模拟大脑新皮质的神经活动，推理、思维和认知功能在大脑新皮质中快速发生（Mathur et al., 2020）。

在心血管医学领域，人工智能在药物治疗、药物基因组学、心力衰竭、影像研究和诊断等领域有着广泛的应用。 重要的是，人工智能有能力提供在医学中应用精准医学和大数据的机制，同时提高心脏病专家建议的治疗方案的有效性。 此外，人工智能/机器学习算法可以在无需假设的情况下分析数据以进行预测和分类。 因此，心血管医学可以从人工智能的纳入和明智利用中受益匪浅（Romiti et al., 2020）。

心脏代谢疾病 (CMD) 包括心肌梗塞、中风和 2 型糖尿病 (T2DM)，与发病率和死亡率增加有关，众所周知，个人的生活方式和运动水平是 CVD 的重要危险因素。 对于花费相当长的时间进行久坐工作、活动能力有限或发现维持可接受的运动量具有挑战性的患者尤其如此，更不用说达到心脏代谢健康建议的中度至剧烈水平了（Landry 等，2017）。 ，2022）。

亚裔印度人是世界上增长最快的族群之一，也是心血管疾病 (CVD) 发病率最高的群体之一，包括 T2DM（Van Niel 等人，2021）冠状动脉疾病（包括主要不良心血管事件或 MACE） 。 CVD的几个原因已被确定，例如采用西方饮食模式和习惯、遗传倾向、脂蛋白不平衡和腹部肥胖。 某些围产期影响也被认为是可能的因素。

大量消耗 omega-6 PUFA 和饱和脂肪与空腹高胰岛素血症和亚临床炎症显着相关。 这种不平衡的饮食导致亚洲印度人胰岛素抵抗、代谢综合征和 T2DM 的高患病率（Isharwal、Misra、Wasir 和 Nigam，2009）。 此外，遗传、文化和社会经济因素也导致了这场医疗危机。 研究一致表明，亚裔印度人的胰岛素抵抗患病率很高，与其他种族的人相比，这增加了他们在年轻时患 T2DM 和 CVD 的倾向（Misra & Vikram，2004）。 重要的原因可能是他们体内过多的脂肪和不良的身体脂肪模式，包括腹部肥胖，即使体重指数在当前定义的正常范围内。 其中一些特征已在出生和儿童时期报告过。

美国糖尿病协会 (ADA) 降低了南亚人 T2DM 筛查的 BMI 截止值（与白种人相比）。 遇到的一些问题是： 临床风险分层的可变性；缺乏既定的动脉粥样硬化成像指南，也缺乏制定亚裔印度裔有意义的临床指南的数据。

美国亚裔印度人的人口正在快速增长（Gujral & Kanaya，2021）。 美国心脏协会 (AHA) 最近的一项研究强调，该种族中与 CVD 相关的患病率和死亡率不断上升，这主要是由于胰岛素抵抗和 T2DM 发病率增加造成的。 印度人是非常成功的移民群体的代表，他们收入较高，社会经济指标也较好。 从这项基于人工智能的研究中获得的初步数据将使我们的团队能够获得该领域长期前瞻性研究所需的资金。