Forscher der Mayo Clinic nutzen künstliche Intelligenz (KI) in Kombination mit einem modernen 3D-Körpervolumenscanner – der ursprünglich für die Bekleidungsindustrie entwickelt wurde –, um Ärzten bei der Vorhersage des Risikos und der Schwere des Metabolischen Syndroms zu helfen. Laut im European Heart Journal – Digital Health veröffentlichten Erkenntnissen bietet die Kombination der Tools Ärzten eine präzisere Alternative zu anderen Maßeinheiten für das Krankheitsrisiko wie dem Body-Mass-Index (BMI) und dem Taille-Hüft-Verhältnis .
Das Metabolische Syndrom kann zu Herzinfarkt, Schlaganfall und anderen ernsthaften Gesundheitsproblemen führen und betrifft über ein Drittel der US-Bevölkerung und ein Viertel der Weltbevölkerung. Für diese Krankheit gibt es keine allgemein anerkannten Screening-Strategien. Forscher fanden jedoch heraus, dass die Verwendung eines 3D-Body-Volumen-Scanners in Kombination mit Bildgebungstechnologie und von der Mayo Clinic entwickelten Algorithmen Ärzten dabei helfen kann, eine genauere Methode zur Identifizierung von Menschen mit dem Syndrom sowie von Menschen mit einem erhöhten Risiko für die Entwicklung des Syndroms anzubieten.
Um das Tool zu entwickeln, trainierten und validierten die Forscher ein KI-Modell an 1.280 freiwilligen Probanden, die einer Untersuchung unterzogen wurden, die 3D-Körpervolumenscans, standardisierte klinische Fragebögen, Bluttests und traditionelle Körperformmessungen umfasste. Bei weiteren 133 Freiwilligen wurden Frontal- und Seitenansichtsbilder über eine mobile App von Select Research namens myBVI aufgenommen, um die Fähigkeit des Tools weiter zu testen, festzustellen, ob sie am Metabolischen Syndrom litten und wenn ja, wie schwerwiegend es war.
Menschen mit Metabolischem Syndrom haben typischerweise eine apfelförmige Figur, was bedeutet, dass sie einen Großteil ihres Gewichts auf dem Bauch tragen. Die Diagnose des Metabolischen Syndroms basiert auf Laboruntersuchungen, Blutdruck- und Körperformmessungen, aber es gibt keine allgemein anerkannten Routine-Screening-Strategien, da diese Messungen nicht immer verfügbar oder auf die gleiche Weise reproduzierbar sind.
