La température faciale peut prédire les maladies cardiaques avec plus de précision que les méthodes actuelles

Dans une étude récente publiée dans la revue BMJ Health & Care Informatics, des chercheurs ont évalué la faisabilité de l’utilisation de la thermographie infrarouge faciale (IRT) pour prédire les maladies coronariennes (MC).

Les maladies coronariennes sont l'une des principales causes de décès et représentent un fardeau mondial important. Un diagnostic précis des maladies coronariennes est essentiel à la prise en charge et au traitement. Actuellement, des outils d'évaluation probabiliste pré-test (PTP) sont utilisés pour déterminer la probabilité de maladie coronarienne chez les patients. Cependant, ces outils présentent des problèmes de subjectivité, une généralisabilité limitée et une précision modérée.

Bien que des tests cardiovasculaires supplémentaires (score calcique des artères coronaires et électrocardiographie) ou des modèles cliniques sophistiqués intégrant des marqueurs de laboratoire et des facteurs de risque supplémentaires puissent améliorer l'estimation des probabilités, il existe des problèmes liés à l'efficacité du temps, à la complexité des procédures et à la disponibilité limitée.

L'IRT, une technologie de détection de la température de surface sans contact, montre des résultats prometteurs pour l'évaluation des maladies. Elle permet de détecter l'inflammation et les anomalies du flux sanguin à partir des courbes de température cutanée. Des études montrent des associations entre les informations de l'IRT et les maladies cardiovasculaires athéroscléreuses et les affections apparentées.

Dans cette étude, les chercheurs ont évalué la faisabilité de l'utilisation des données de température IRT faciale pour prédire la coronaropathie. Des adultes subissant une angioscanner coronaire (CCTA) ou une angiographie coronaire invasive (ICA) ont été inclus dans l'étude. Un personnel formé a obtenu les données de base et a réalisé des acquisitions IRT avant la CCTA ou l'ICA.

Les dossiers médicaux électroniques ont été utilisés pour obtenir des informations complémentaires, notamment la biochimie sanguine, les antécédents cliniques, les facteurs de risque et les résultats du dépistage coronarien. Une image IRT par participant a été sélectionnée pour analyse et traitée (redimensionnement uniforme, conversion en niveaux de gris et recadrage de l'arrière-plan).

L'équipe a développé un modèle d'image IRT à l'aide d'un algorithme avancé d'apprentissage profond. Deux modèles ont été développés à des fins de comparaison: l'un était un modèle PTP (clinique de référence) incluant l'âge, le sexe et les symptômes des patients, et l'autre était un modèle hybride combinant les données IRT et les informations cliniques des modèles IRT et PTP, respectivement.

Plusieurs analyses d'interprétation ont été réalisées, notamment des expériences d'occlusion, la visualisation de cartes de surbrillance, des analyses dose-réponse et la prédiction d'étiquettes CAD de substitution. De plus, diverses caractéristiques du tableau IRT ont été extraites de l'image IRT, classées au niveau du visage entier et de la région d'intérêt (ROI).

Globalement, les caractéristiques extraites ont été classées en caractéristiques de texture de premier ordre, de texture de second ordre, de température et d'analyse fractale. L'algorithme XGBoost a intégré ces caractéristiques extraites et évalué leur valeur prédictive pour la cardiopathie congénitale. Les chercheurs ont évalué les performances en utilisant toutes les caractéristiques et uniquement les caractéristiques de température.

Au total, 893 adultes ayant subi une CCTA ou une ICA ont été examinés entre septembre 2021 et février 2023. Parmi eux, 460 participants, âgés en moyenne de 58,4 ans, ont été inclus; 27,4 % étaient des femmes et 70 % étaient atteints de coronaropathie. Les patients atteints de coronaropathie présentaient un âge et une prévalence de facteurs de risque plus élevés que les patients sans coronaropathie. Le modèle d'imagerie IRT a nettement surpassé le modèle PTP.

Cependant, les performances des modèles d'images hybrides et IRT n'étaient pas significativement différentes. L'utilisation des caractéristiques de température seules ou de toutes les caractéristiques extraites présentait une performance prédictive supérieure, ce qui était cohérent avec le modèle d'image IRT. Au niveau du visage entier, la différence de température globale de gauche à droite avait l'impact le plus important, tandis qu'au niveau de la région d'intérêt, c'était la température moyenne de la mâchoire gauche qui avait l'impact le plus important.

Différents niveaux de dégradation des performances ont été observés pour le modèle d'image IRT lors de l'occlusion de différentes régions d'intérêt. L'occlusion des lèvres supérieure et inférieure a eu l'impact le plus important. De plus, le modèle d'image IRT s'est révélé performant pour prédire les marqueurs de substitution associés à la coronaropathie, tels que l'hyperlipidémie, le tabagisme, l'indice de masse corporelle, l'hémoglobine glyquée et l'inflammation.

L'étude a démontré la faisabilité de l'utilisation des données de température IRT faciale pour prédire la coronaropathie. Le modèle d'image IRT a surpassé le modèle PTP recommandé par les lignes directrices, soulignant son potentiel dans l'évaluation de la coronaropathie. De plus, l'intégration d'informations cliniques dans le modèle d'image IRT n'a pas apporté d'amélioration supplémentaire, ce qui suggère que les informations IRT extraites contenaient déjà des informations importantes sur la coronaropathie.

De plus, la valeur prédictive du modèle IRT a été confirmée par les caractéristiques interprétables du tableau IRT, relativement cohérentes avec celles du modèle d'image IRT. Ces caractéristiques ont également fourni des informations sur des aspects importants pour la prédiction des maladies coronariennes, tels que la symétrie de la température faciale et l'irrégularité de la distribution. D'autres études portant sur des échantillons plus importants et des populations diversifiées sont nécessaires à sa validation.