La temperatura facial podría predecir enfermedades cardiacas con mayor exactitud que los métodos actuales

En un estudio reciente publicado en la revista BMJ Health & Care Informatics, los investigadores evaluaron la viabilidad de utilizar la termografía infrarroja facial (IRT) para predecir la enfermedad cardíaca coronaria (EC).

La cardiopatía congénita (CHD) es una de las principales causas de muerte y representa una carga significativa a nivel mundial. El diagnóstico preciso de la CHD es fundamental para su atención y tratamiento. Actualmente, se utilizan herramientas de evaluación de probabilidad preprueba (PTP) para determinar la probabilidad de CHD en los pacientes. Sin embargo, estas herramientas presentan problemas de subjetividad, una generalización limitada y una precisión moderada.

Si bien pruebas cardiovasculares adicionales (puntuación de calcio en la arteria coronaria y electrocardiografía) o modelos clínicos sofisticados que integran marcadores de laboratorio y factores de riesgo adicionales pueden mejorar la estimación de la probabilidad, existen problemas relacionados con la eficiencia del tiempo, la complejidad del procedimiento y la disponibilidad limitada.

La IRT, una tecnología de detección de temperatura superficial sin contacto, muestra resultados prometedores para la evaluación de enfermedades. Puede detectar inflamación y flujo sanguíneo anormal a partir de patrones de temperatura cutánea. Diversos estudios muestran asociaciones entre la información de la IRT y la enfermedad cardiovascular aterosclerótica y afecciones relacionadas.

En este estudio, los investigadores evaluaron la viabilidad de utilizar datos de temperatura facial mediante IRT para predecir la enfermedad coronaria (CAD). Se incluyeron adultos sometidos a angiografía coronaria por TC (ACTC) o angiografía coronaria invasiva (ACI). Personal capacitado obtuvo datos basales y realizó adquisiciones de IRT antes de la ACTC o la ACI.

Se utilizaron registros médicos electrónicos para obtener información adicional, como bioquímica sanguínea, historial clínico, factores de riesgo y resultados del cribado de CAD. Se seleccionó una imagen IRT por participante para su análisis y procesamiento (redimensionamiento uniforme, conversión a escala de grises y recorte de fondo).

El equipo desarrolló un modelo de imagen IRT mediante un algoritmo avanzado de aprendizaje profundo. Se desarrollaron dos modelos para la comparación: uno era un modelo PTP (línea base clínica) que incluía la edad, el sexo y las características sintomáticas de los pacientes, y el otro era un híbrido que combinaba la información IRT y la información clínica de los modelos IRT y PTP, respectivamente.

Se realizaron diversos análisis de interpretación, incluyendo experimentos de oclusión, visualización de mapas de altas luces, análisis dosis-respuesta y predicción de etiquetas CAD sustitutivas. Además, se extrajeron diversas características de la tabla IRT de la imagen IRT, clasificándolas a nivel de cara completa y región de interés (ROI).

En general, las características extraídas se clasificaron en textura de primer orden, textura de segundo orden, temperatura y análisis fractal. El algoritmo XGBoost integró estas características extraídas y evaluó su valor predictivo para la cardiopatía coronaria. Los investigadores evaluaron el rendimiento utilizando todas las características y solo las de temperatura.

Un total de 893 adultos sometidos a ACTC o ACI fueron evaluados entre septiembre de 2021 y febrero de 2023. De ellos, se incluyeron 460 participantes con una edad media de 58,4 años; el 27,4 % eran mujeres y el 70 % presentaba EAC. Los pacientes con EAC presentaron mayor edad y mayor prevalencia de factores de riesgo en comparación con los pacientes sin EAC. El modelo de imagen IRT superó significativamente al modelo PTP.

Sin embargo, el rendimiento de los modelos de imagen híbridos e IRT no mostró diferencias significativas. El uso exclusivo de las características de temperatura o de todas las características extraídas mostró un rendimiento predictivo superior, lo cual fue consistente con el modelo de imagen IRT. A nivel de rostro completo, la diferencia de temperatura general de izquierda a derecha tuvo el mayor impacto, mientras que a nivel de ROI, la temperatura promedio de la mandíbula izquierda tuvo el mayor impacto.

Se observaron diferentes niveles de degradación del rendimiento del modelo de imagen IRT al ocluir diferentes regiones de interés (ROI). La oclusión de la región del labio superior e inferior tuvo el mayor impacto. Además, el modelo de imagen IRT tuvo un buen rendimiento en la predicción de marcadores indirectos asociados con la enfermedad coronaria (CAD), como la hiperlipidemia, el tabaquismo, el índice de masa corporal (IMC), la hemoglobina glucosilada y la inflamación.

El estudio demostró la viabilidad de utilizar los datos de temperatura facial IRT para predecir la CAD. El modelo de imagen IRT superó al modelo PTP recomendado por las guías, lo que destaca su potencial en la evaluación de la CAD. Además, la incorporación de información clínica al modelo de imagen IRT no proporcionó una mejora adicional, lo que sugiere que la información IRT extraída ya contenía información importante relacionada con la CAD.

Además, el valor predictivo del modelo IRT se confirmó mediante las características interpretables de la tabla IRT, que fueron relativamente consistentes con el modelo de imagen IRT. Estas características también proporcionaron información sobre aspectos importantes para la predicción de la cardiopatía coronaria, como la simetría de la temperatura facial y la desigualdad en la distribución. Se requieren más estudios con muestras más grandes y poblaciones diversas para su validación.