Umělá inteligence identifikuje naléhavou potřebu periferní cévní intervence

Výzkumníci použili obecný pracovní postup strojového učení (ML) a zkoumali, zda vícerozměrný soubor markerů standardních klinických parametrů může identifikovat pacienty, kteří potřebují cévní intervenci, bez specializované vnitronemocniční diagnostiky.

Metody: Jedná se o retrospektivní studii zahrnující pacienty se stabilním PAD (sPAD, Fontaine Class I a II, n = 38) a nestabilním PAD (unPAD, Fontaine Class III a IV, n = 18), kteří potřebují invazivní léčebná opatření. K vyhodnocení matice sestávající z několika rutinně klinicky dostupných parametrů (věk, kompletní krevní obraz, zánět, lipidy, metabolismus železa) byly použity ML algoritmy, jako je Random Forest.

Výsledky: ML umožnil vytvořit skóre PAD s umělou inteligencí (AI-PAD), které úspěšně oddělilo pacienty s sPAD od pacientů bez sPAD (vysoký AI-PAD u sPAD, nízký AI-PAD u unPAD, mezní hodnota 50 jednotek AI-PAD). Skóre pravděpodobnosti se navíc pozitivně shodovalo se zlatým standardem vnitronemocničního průměrného kotníkového brachiálního indexu (ABI).

Závěr: Nástroje založené na umělé inteligenci mohou slibně umožnit správnou identifikaci pacientů s nestabilním PAD s využitím stávajících klinických informací a doplnit tak klinické rozhodování. K určení užitečnosti tohoto přístupu ve srovnání se standardními diagnostickými opatřeními jsou nutné další studie na větších prospektivních kohortách.

Přečtěte si celou studii německých výzkumníků.