Sztuczna inteligencja oceni zwapnienie aorty

Nowa metoda znacznie skraca czas badania przesiewowego w kierunku AAC. Nowy algorytm potrzebuje mniej niż minutę, aby przewidzieć wyniki AAC dla setek obrazów.

- Wiemy, że umiarkowane do rozległego AAC, obserwowane u jednej na dwie starsze kobiety, wiąże się z i złamaniami. Nasze ustalenia są kluczowym krokiem w kierunku zwiększenia użyteczności klinicznej obrazów kręgosłupa wykonanych podczas badania gęstości kości - wyjaśniają badacze.

Stwierdzono, że u kobiet z umiarkowanym lub rozległym AAC, obliczonym za pomocą algorytmu, ryzyko hospitalizacji w wyniku upadku i złamań klinicznych było zwiększone w porównaniu z kobietami z niskim AAC.

- Co ważne, nasz algorytm ma dobry poziom zgodności z AAC, który został oceniony przez przeszkolonych ekspertów - zauważa dr Jack Dalla Via. - Skanowanie gęstości kości wiąże się z bardzo niską dawką promieniowania i jest rutynowo stosowane w badaniach przesiewowych w kierunku osteoporozy, wykonywanych zwykle u starszych kobiet. Dlatego też oparte na uczeniu maszynowym informacje dotyczące niezwiązanego z mięśniami i kościami ryzyka złamań w trakcie badania gęstości kości byłoby niezwykle cenne - dodaje.

- Poza upadkami i złamaniami, AAC jest silnym czynnikiem predykcyjnym zdarzeń sercowo-naczyniowych, demencji w późnym wieku i przedwczesnej śmierci - wyjaśnia dr Dalla Via.

Mechanizmy leżące u podstaw związku między AAC a upadkami i ryzykiem są jeszcze nieznane. Mogą się wiązać jednak np. z przewlekłymi , czy wspólne czynniki ryzyka, takie jak palenie papierosów lub zaburzenia przepływu krwi. Choroby naczyniowe mogą również przyczyniać się do zwiększonej tendencji do upadków i kolejnych złamań.