Studije iz Japana i Škotske pokazuju da AI može detektovati hipertenziju i dijabetes analizom kratkih video‑zapisa lica i proceniti rizik od demencije analizom skoro milion retinalnih skenova. Japanski tim je u studiji sa 215 učesnika postigao do 95% tačnosti za hipertenziju (30 s), dok su i petosekundni snimci pokazali visoku tačnost. Projekti su obećavajući, ali zahtevaju veće, reprezentativne i multicentrične validacione studije pre kliničke primene.
Pet Sekundi Do Upozorenja: Kako AI Detektuje Hipertenziju, Dijabetes I Rizik Od Demencije Preko Lica i Očiju
AI can detect hypertension and diabetes from facial videos while retinal scans may help identify people at risk of dementia. (CREDIT: Shutterstock)
Nova istraživanja iz Japana i Škotske pokazuju da sistemi zasnovani na veštačkoj inteligenciji mogu iz običnih snimaka lica, dlanova i mrežnjače izvući signale koji ukazuju na hipertenziju, dijabetes i povećan rizik od demencije. Ako se ove metode potvrde u većim i raznovrsnijim studijama, skrining bi mogao da se pomeri izvan bolnica i specijalizovanih laboratorija i uđe u svakodnevne preglede.
Šta je uradio japanski tim?
Istraživači sa Univerziteta u Tokiju i Instituta za nauku u Tokiju sproveli su prospektivnu jednocentričnu studiju sa 215 učesnika – kombinacijom dijagnostikovanih pacijenata i zdravih dobrovoljaca. Svakom učesniku su snimljeni kratki, visokobrzinski video-zapisi lica i dlanova pomoću spektroskopijske kamere.
A five-second video of your face could someday help flag high blood pressure or diabetes. (CREDIT: Shutterstock)
Sistem je analizirao dinamiku pulsa (remote PPG), obrasce kožne perfuzije i spektralne karakteristike boje kože. Rezultati su upoređeni sa standardnim testovima za hipertenziju i dijabetes.
Glavni rezultati
- Korišćenjem 30‑sekundnih snimaka lica i dlanova, algoritam je detektovao hipertenziju sa tačnošću od 95% (osetljivost 89,2%).
- Petosekundni snimci dali su ukupnu tačnost od 90,3% za hipertenziju.
- Za dijabetes, tačnost je bila 88,2% sa 30‑sekundnim snimkom i 81,2% sa petosekundnim snimkom.
- Sistem je mogao i da proceni sistolni krvni pritisak; prosečna greška je bila −2,6 mmHg, a MAPE 8,6% (unutar AAMI limita), ali je standardna devijacija greške iznosila ±12 mmHg, što prevazilazi prihvatljivi AAMI kriterijum od ±8 mmHg.
"Cilj nam je bio da razvijemo AI algoritam koji omogućava beskontaktni skrining u svakodnevnim uslovima kako bi se otkrivale česte bolesti ranije i u većem obimu," rekla je Ryoko Uchida.
Autori ističu da zbog varijabilnosti procena sistem trenutno nije zamena za klasična merenja krvnog pritiska i da su potrebne veće, multicentrične i raznovrsne validacione studije.
Eye test with optometrist Ian Cameron, of Cameron Optometry, Edinburgh. (CREDIT: University of Edinburgh)
NeurEYE: Škotski pristup preko mrežnjače
NeurEYE, tim predvođen Univerzitetom u Edinburgu u saradnji sa Glasgow Caledonian University, prikuplja skoro milion retinalnih skenova od optometrista širom Škotske. Skenovi su anonimizovani i povezani sa demografskim podacima, istorijama lečenja i drugim zdravstvenim informacijama.
Cilj projekta je da razvije AI alat koji bi optometristima pomogao da prepoznaju pacijente sa povećanim rizikom od demencije — potencijalno godinama pre kliničkog dijagnostičkog testa — te da pomogne pri odluci o upućivanju na dalje preglede.
Professor Baljean Dhillon of the Institute for Regeneration and Repair. (CREDIT: University of Edinburgh)
"Oko nam može reći mnogo više nego što smo mislili moguće," kaže prof. Baljean Dhillon. "Krvni sudovi i neuralni putevi mrežnjače i mozga su tesno povezani."
NeurEYE naglašava potrebu za reprezentativnim dataset-ima kako bi algoritmi bili pravični i manje pristrasni. Projekat je podržan od strane NEURii (uključujući Eisai i Gates Ventures) i koristi podatke uz odobrenje NHS Scotland.
Šta to znači za pacijente i medicinu?
Oba pristupa ilustruju potencijal tehnologije da transformiše rane skrining metode: umesto da se čeka nastanak simptoma i poseta specijalisti, AI bi mogao da upozori na rizike već tokom rutinskih pregleda ili čak putem obične kamere. Međutim, ključne prepreke ostaju:
- Potrebna su veća, multikulturalna i reprezentativna ispitivanja.
- Modeli moraju biti transparentni, interpretabilni i testirani u realnim kliničkim uslovima.
- Regulatorna odobrenja i standardizacija merenja su neophodni pre kliničke primene.
Podrška iz literature
Recentni pregledi iz 2024–2026. potvrđuju potencijal retinalnih i video‑baziranih AI metoda za rano otkrivanje vaskularnih i neurodegenerativnih bolesti, ali ističu probleme sa reprezentativnošću dataset‑a, eksternom validacijom i interpretabilnošću modela.
Zaključak: Studije su obećavajuće i pokazuju da poznate slike mogu sadržati znatno više medicinskih informacija nego što ljudsko oko vidi. Ipak, pre nego što se ovakvi alati primene u praksi, potrebna su šira validacija, transparentnost i regulatorna kontrola.
Pomozite nam da budemo bolji.
