研究特色:
- 两项初步研究表明，人工智能(AI)和深度学习模型可能有助于预测心血管疾病事件的风险并检测心脏瓣膜疾病。
- 一项研究发现，分析数字听诊器记录的心脏声音数据的人工智能能够比医疗保健专业人员更准确地检测心脏瓣膜疾病谁听谁的心带着传统听诊器部分。
- 在一项研究中通过评估来自英国生物银行的数据，一个人工智能/深度学习项目有效地分析和分类了糖尿病前期和2型糖尿病患者的眼睛图像，以确定他们患心血管疾病的风险。
2023年11月6日星期一，美国东部时间凌晨4点/东部时间凌晨5点禁止
达拉斯，2023年11月6日——根据即将在2023年美国心脏协会科学会议上发表的两项研究的初步研究，人工智能的进步使人工智能工具的开发和应用可能有效地检测心脏瓣膜疾病和预测心血管疾病事件的风险。该会议将于11月11日至13日在费城举行，是心血管科学最新科学进展、研究和循证临床实践更新的首要全球交流。
Dan Roden，医学博士，FAHA，医学、药理学和生物医学信息学教授，范德比尔特大学医学中心个性化医学高级副总裁，同时也是协会基因组和精准医学委员会主席，他说:“开发健康和疾病新预测的计算方法——‘人工智能’——正变得越来越复杂。”“这两项研究都采用了一种易于理解和获取的测量方法，并询问该测量方法在更广阔的世界中预测了什么。”
基于人工智能的数字听诊器在初级保健中检测未诊断的瓣膜性心脏病的真实世界评估(摘要306)
在美国三家不同的初级保健诊所进行的一项研究比较了医疗专业人员使用标准听诊器检测潜在心脏瓣膜疾病的能力与使用数字听诊器声音数据的人工智能程序的能力。
每位研究参与者都进行了一次体检，其中包括一名初级保健专业人员，医生或执业护士，用传统听诊器听他们的心脏和肺部的异常声音或杂音，并用数字听诊器记录心音。所有参与者在1-2周后的随访预约中也接受了超声心动图检查，以确定是否存在心脏瓣膜疾病，但结果不与临床医生或患者共享。
分析发现:
- 与初级保健专业人员使用的标准听诊器相比，使用数字听诊器的人工智能方法检测出94.1%的瓣膜性心脏病病例只有41.2%的病例。
- 人工智能方法确定了22名以前未确诊的中度或更严重心脏瓣膜疾病患者，以及该专业人士研究人员使用标准听诊器识别出8名以前未被诊断出患有心脏瓣膜疾病的人。
该研究的主要作者、马萨诸塞州劳伦斯市布里格姆社区总医院的高级医学主任Moshe Rancier医学博士说:“对心脏瓣膜病的未确诊或晚期诊断的影响是可怕的，对我们的医疗保健系统造成了重大损失。”“这项研究表明，医疗保健专业人员可以使用数字听诊器与高性能人工智能相结合，更有效、更快速地筛查瓣膜性心脏病患者，这种听诊器可以检测出与严重瓣膜性心脏病相关的心脏杂音。”
该研究的局限性包括研究组的样本量小，这阻碍了对参与者子集之间差异的分析(基于性别、种族、民族和年龄等特征)。此外，虽然人工智能方法对数字听诊器检测到的声音具有更高的灵敏度，但使用标准听诊器的医疗专业人员能够更具体地进行诊断，为95.5%，而人工智能方法为84.5%，这可能会减少假阳性和/或对瓣膜性心脏病进行额外测试或筛查的可能性。然而，本研究仅评估了数字听诊器与传统听诊器的准确性。Rancier指出，研究人员计划评估六个月的患者随访数据，以更密切地审查临床结果和额外的诊断测试和治疗。
研究背景及详情:
- 这项研究包括369名年龄在50岁及以上的成年人，61%的参与者被认为是女性。
- 所有参与者之前都没有心脏瓣膜疾病的诊断或心脏杂音的病史。
- 医疗保健行业对患者进行标准检查的医生并不知道人工智能结果或超声心动图结果，因此这是一项盲目研究。
- 参与者从2021年6月到2023年5月注册。数据收集和分析正在进行中。
- 卫生保健诊所接受治疗的患者分别位于纽约皇后区、马萨诸塞州的劳伦斯和哈弗希尔。
- 研究参与者自我确认了自己的种族或民族:70%的人认为自己是白人成年人，18%的人认为自己是西班牙裔或拉丁裔成年人，9%的人认为自己是黑人成年人，2%的人认为自己是亚裔成年人;有1%的参与者认同为其他。
“我们在这里看到，基于人工智能的听诊器做得非常好，它预测了近90%的瓣膜疾病诊断。我认为这是一项新兴技术——使用人工智能听诊器，或者将其与其他成像方式相结合，比如在听诊器中内置人工智能超声心动图，”罗登说。“使用这些新工具来检测瓣膜疾病的存在以及瓣膜疾病的程度和其他类型心脏病的程度，可能有助于改变心血管疾病的治疗。”
手稿中列出了共同作者、披露信息和资金来源。
基于深度学习的视网膜成像预测糖尿病前期和糖尿病患者心血管疾病事件:一项使用英国生物银行的研究(摘要海报Mo3070)
另一个研究小组利用英国生物银行(UK Biobank)的数据进行了第二项研究，评估了使用深度学习算法工具分析的眼球后方视网膜图像来预测心血管疾病事件风险的有效性，心血管疾病事件的定义为心脏病发作、缺血性中风、短暂性缺血性发作或心脏病发作或中风导致的死亡。
深度学习是人工智能的一种方法，它训练计算机分析多层数据，并赋予计算机“学习”的能力，通过根据提供给它的新信息，独立于人类干预来进化它们的模型——这一过程受到大量计算能力和数据需求的挑战。之前的研究已经成功开发了一种深度学习算法，通过分析视网膜图像和冠状动脉钙评分来预测心血管疾病事件。
研究人员使用深度学习算法将1101名前驱糖尿病患者或2型糖尿病患者的视网膜图像根据心血管疾病的可能性分为低风险、中风险和高风险组。然后，他们测量了参与者中位数为11年的心血管疾病事件的数量。
分析发现:
- 在11年的研究期结束时，8.2%的低风险组、15.2%的中风险组和18.5%的高风险组的参与者经历了心血管疾病事件。
- 在考虑了人口统计学和其他潜在的心血管疾病危险因素，如年龄、性别、高血压药物使用、胆固醇药物使用和吸烟史后，中等风险组的人比低风险组的人发生心血管事件的可能性高57%;与低风险组相比，得分高的人患心血管疾病的可能性要高88%。
韩国首尔延世大学(Yonsei University)副教授、该研究的主要作者Chan Joo Lee博士说:“这些结果表明，在糖尿病前期和2型糖尿病等高危人群中，使用人工智能分析视网膜成像作为心脏病早期检测工具的潜力。”“这可能会导致对这些患者群体的早期干预和更好的管理，最终减少心脏病相关并发症的发生率。”
研究背景及详情:
- 英国生物银行是一个大型生物医学数据库有健康记录的Se和研究资源从2006年到2010年，约有50万成年人通过英国国家医疗服务中心接受医疗服务nal健康服务。研究人员于2023年3月访问了这些数据，并分析了截至2023年6月的健康记录。
- 参与者平均年龄为59岁;45.5%为女性，主要为白种人(85.5%)。
- 在1101名患有前驱糖尿病或2型糖尿病的成年人中，550人属于低风险组，276人属于中等风险组，275人属于高风险组。
- 在研究期结束时，138名参与者(12.5%)经历过心血管事件:45名来自低风险组;42人来自中等风险组;51人来自高危人群。
研究人员使用大量的人群数据集测试了成像预测心血管疾病的能力，然而，这些人群主要是白人，这意味着研究人员的发现可能不适用于其他人群。需要对不同种族和民族的人进行进一步的后续研究。
“这些系统从大数据集中学习，它们只从我们给它们的数据中学习。例如，在英国生物银行中，93%的参与者是欧洲血统，所以我们不知道英国生物银行中衍生的方法对非欧洲血统的人是否相关或有意义，”罗登说。
“另一个问题是:视网膜扫描在预测冠状动脉疾病方面是否比综合风险方程、冠状动脉疾病的多基因风险评分或冠状动脉钙测量更好?”这些都是需要回答的问题，因为随着我们开发出更多预测冠状动脉疾病等事件的工具，我们希望确保我们使用正确的工具和正确的组合，而不是使用未经验证的替代工具使护理复杂化。”
手稿中列出了共同作者、披露信息和资金来源。
在美国心脏协会的科学会议上发表的研究陈述和结论仅仅是研究作者的陈述和结论，并不一定反映协会的政策或立场。本协会对其准确性或可靠性不作任何陈述或保证。在该协会的科学会议上提交的摘要不经过同行评议，而是由独立的评议小组整理，并根据是否有可能增加会议上讨论的科学问题和观点的多样性来考虑。在作为完整的手稿发表在同行评议的科学杂志上之前，这些发现被认为是初步的。
本文来自作者[诗菱]投稿，不代表青妮资讯立场，如若转载，请注明出处：https://wak.qingnijiankang.top/zlan/202505-1514.html
评论列表（4条）
我是青妮资讯的签约作者“诗菱”！
希望本篇文章《人工智能能够准确识别心脏瓣膜疾病并评估风险》能对你有所帮助！
本站[青妮资讯]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：研究特色: 两项初步研究表明，人工智能(AI)和深度学习模型可能有助于预测心血管疾病事件的风险并检测心脏瓣膜疾病。...