La temperatura facial puede predecir enfermedades cardíacas con mayor precisión que los métodos actuales

En un estudio reciente publicado en BMJ Health & Care Informatics, los investigadores evaluaron la viabilidad de utilizar la termografía infrarroja facial (IRT) para predecir la enfermedad de las arterias coronarias (CHD).

La EIC es una de las principales causas de muerte y tiene una carga global significativa. Un diagnóstico preciso de la CAD es importante para la atención y el tratamiento. Actualmente, se utilizan herramientas de evaluación de probabilidad previa a la prueba (PTP) para determinar la probabilidad de CAD en los pacientes. Sin embargo, estas herramientas tienen problemas de subjetividad, versatilidad limitada y precisión moderada.

Aunque las pruebas cardiovasculares adicionales (recuento de calcio coronario y electrocardiografía) o los modelos clínicos sofisticados que integran marcadores de laboratorio adicionales y factores de riesgo pueden mejorar las estimaciones de probabilidad, existen preocupaciones relacionadas con la eficiencia del tiempo, la complejidad del procedimiento y la disponibilidad limitada.

La IRT, una tecnología de detección de temperatura de superficies sin contacto, está demostrando ser prometedora para la evaluación de enfermedades. Puede detectar inflamación y circulación anormal a través de patrones de temperatura de la piel. Las investigaciones 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 de la IRT para predecir la CAD. Se incluyeron en el estudio adultos sometidos a angiografía coronaria por TC (CCTA) o angiografía coronaria invasiva (ICA). El personal capacitado obtuvo los datos brutos y realizó la encuesta IRT antes de la CCTA o la ICA.

Se utilizaron registros médicos electrónicos para obtener información adicional, incluida la química sanguínea, la historia clínica, los factores de riesgo y los resultados de la detección de cardiopatías congénitas. Se seleccionó una imagen IRT por participante para su análisis y se procesó (cambio de tamaño unificado, conversión a escala de grises y recorte de fondo).

El equipo desarrolló un modelo de imagen IRT utilizando un algoritmo avanzado de aprendizaje profundo. Se desarrollaron dos modelos para la comparación: uno era un modelo PTP (línea de base clínica) que incluía la edad, el sexo y las características de los síntomas 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 varios análisis interpretativos, incluidos experimentos de oclusión, visualización de mapas de excreción, análisis de dosis-respuesta y predicción de etiquetas sustitutivas de CAD. Además, se extrajeron varias características tabulares de IRT de la imagen de IRT, clasificadas a nivel de toda la cara y la región de interés (ROI).

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

Se evaluó a un total de 893 adultos sometidos a CCTA o ICA entre septiembre de 2021 y febrero de 2023. De estos, se incluyeron 460 participantes con una edad media de 58,4 años; el 27,4% eran mujeres y el 70% tenía CAD. Los pacientes con CAD tenían una mayor edad y prevalencia de factores de riesgo en comparación con los pacientes sin CAD. El modelo de imagen IRT superó significativamente al modelo PTP.

Sin embargo, el rendimiento de los modelos de imágenes híbridos e IRT no fue significativamente diferente. El uso de solo características de temperatura o de todas las características extraídas tuvo un rendimiento predictivo superior, lo que fue consistente con el modelo de imágenes IRT. A nivel de toda la cara, la mayor influencia fue la diferencia de temperatura general de izquierda a derecha, mientras que a nivel de ROI, la temperatura promedio de la mandíbula izquierda tuvo la mayor influencia.

Se observaron varios niveles de degradación del rendimiento para el modelo de imágenes IRT cuando se ocluyeron diferentes ROI. La oclusión de las áreas del labio superior e inferior tuvo el mayor impacto. Además, el modelo de imágenes IRT tuvo un buen desempeño en la predicción de marcadores sustitutos asociados con CAD, como hiperlipidemia, tabaquismo, índice de masa corporal, hemoglobina glucosilada e inflamación.

El estudio demostró la viabilidad de utilizar los datos de temperatura facial IRT para predecir la CAD. El modelo de imágenes IRT superó al modelo PTP recomendado por las directrices, lo que destaca su potencial en la evaluación de la CAD. Además, la incorporación de información clínica en el modelo de imágenes IRT no proporcionó mejoras adicionales, 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 utilizando características IRT tabulares interpretables que eran relativamente consistentes con el modelo de imágenes IRT. Estas características también proporcionaron información sobre aspectos importantes para predecir la CAD, como la simetría de la temperatura facial y la distribución desigual. Se necesitan más estudios con muestras más grandes y poblaciones diversas para su validación.