A mesterséges intelligenciával becsült biológiai életkor többletinformációt adhat a kardiovaszkuláris kockázatról
Sudoso és munkatársai áttekintették, hogyan alkalmazhatók az elektrokardiogramok, képalkotó vizsgálatok, laboratóriumi biomarkerek és molekuláris adatok mesterségesintelligencia-alapú elemzésével becsült biológiai életkori mutatók a szív- és érrendszeri kockázat, valamint a klinikai kimenetelek vizsgálatában.
Az életkorkülönbség mint prognosztikai jelző
Az azonos kronológiai életkorú személyek kardiovaszkuláris állapota jelentősen eltérhet. Az öregedéssel összefüggő endothelialis diszfunkció, artériás merevség és krónikus, alacsony intenzitású gyulladás olyan folyamatok, amelyek mértékét a megélt évek száma önmagában nem írja le megfelelően. A biológiai életkor becslése ezért a hagyományos rizikófaktorokat kiegészítő információval szolgálhat.
A vizsgálatok központi mutatója az életkorkülönbség, vagyis a modell által becsült és a kronológiai életkor eltérése. A legtöbb EKG-alapú algoritmust a kronológiai életkor előrejelzésére tanították, majd azt elemezték, hogy az ettől való eltérés összefügg-e kedvezőtlen kimenetelekkel. Ez nem azonos a valódi biológiai életkor közvetlen mérésével: ennek jelenleg nincs általánosan elfogadott, nagy populációkban alkalmazható referenciamódszere.
Az áttekintés módszertana
A feltérképező áttekintés a PubMed/MEDLINE és a Scopus adatbázisában azonosított, 2019 januárjától 2025 júliusáig megjelent angol nyelvű közleményeket dolgozta fel. A szerzők humán vizsgálatokat kerestek, amelyek mesterséges intelligenciával vagy kapcsolódó számítási módszerekkel becsülték a biológiai életkort, illetve öregedési biomarkereket, és ezeket kardiovaszkuláris kockázattal vagy kimenetelekkel kapcsolták össze.
Az eredményeket módszertani csoportok szerint, narratívan összegezték. Rögzítették az adatforrásokat, modellarchitektúrákat, életkori mutatókat, klinikai végpontokat és validációs eljárásokat. Az áttekintés nem végzett formális módszertani minőségértékelést vagy torzításkockázat-becslést, ami korlátozza a bemutatott összefüggések bizonyító erejének megítélését.
Az EKG-alapú életkor és a kardiovaszkuláris események
A legkiterjedtebb bizonyítékbázist a standard, tizenkét elvezetéses EKG mélytanulásos elemzése szolgáltatta. A konvolúciós neurális hálózatok a nyers jelből olyan összetett mintázatokat is felismerhetnek, amelyek a hagyományos leletezés során nem azonosíthatók.
A Mayo Clinic adatain fejlesztett modell 499 727 beteg adataiból tanult, majd 275 056 betegből álló tesztmintán értékelték. Átlagos abszolút becslési hibája 6,9 ± 5,6 év volt. A kronológiai életkort több mint hét évvel meghaladó becsléshez gyakoribb, már fennálló társbetegségek, köztük myocardialis infarctus társultak.
A brazil CODE kohorsz több mint egymillió EKG-ján tanított hálózat esetében a nyolc évnél nagyobb pozitív életkorkülönbség magasabb halálozási kockázattal járt; a közölt hazárdarány 1,79 volt. Az összefüggést külső kohorszokban is megfigyelték, és akkor is fennállt, amikor az orvosi EKG-lelet normálisnak minősült.
A Framingham Heart Study 9877 résztvevőjének elemzésében az EKG-alapú életkorkülönbség minden tízéves növekedéséhez a myocardialis infarktus kockázatának 14%-os, a pitvarfibrillációénak 23%-os, a szívelégtelenség kockázatának pedig 40%-os emelkedése társult. Az összefüggések független prognosztikai információt jeleztek.
A 71 741 beteg adatain fejlesztett ECG12Net modell átlagos becslési hibája 6,9 év volt. A hét évnél nagyobb életkorkülönbség az összhalálozás és a kardiovaszkuláris halálozás, valamint többek között a szívelégtelenség és a diabetes mellitus magasabb kockázatával függött össze.
Retinaképek és laboratóriumi életkorbecslés
A szemfenéki felvételek elemzése az öregedés szisztémás jellegét támasztotta alá. Egy 40 480 résztvevő 129 236 retinális fényképét felhasználó vizsgálatban a biológiai életkori mutató legfelső kvartilisébe tartozóknál az alsó kvartilishez képest 67%-kal magasabb összhalálozási és 142%-kal magasabb kardiovaszkuláris halálozási kockázatot találtak tízéves időtávon.
Egy másik, UK Biobank-adatokon alapuló elemzésben a retinális életkorkülönbség minden egyéves növekedése 3%-kal magasabb kardiovaszkuláris betegségkockázattal és nagyobb artériás merevséggel társult. Egy későbbi modell tanításához nem a kronológiai életkort, hanem az életkort véralapú biomarkerekkel egyesítő PhenoAge mutatót használták referenciaként.
A strukturált laboratóriumi adatok feldolgozásában a hagyományos gépi tanulási eljárások is szerepet kaptak. A Canadian Longitudinal Study on Aging elemzésében a nem és 31 laboratóriumi paraméter alapján kialakított modellek közül a gradiensfokozás teljesített legjobban. A becsült életkorkülönbség életmódi, környezeti tényezőkkel és későbbi betegségekkel mutatott összefüggést.
Molekuláris háttér és társadalmi tényezők
Az EKG-ból becsült életkor biológiai megalapozottságát genetikai eredmények is támogatják. A UK Biobank 36 349 résztvevőjén végzett elemzés az EKG-életkort szívioncsatornákhoz és strukturális fehérjékhez kapcsolódó lókuszokkal, köztük az SCN5A és a TTN génnel hozta összefüggésbe. Egy másik kutatás szívre jellemző DNS-metilációs öregedési mintázatokat azonosított.
A biológiai életkor ugyanakkor társadalmi és életmódi tényezőkkel is kapcsolatban állt. Nagy beteganyagon a társas izoláció, a Tromsø-vizsgálatban pedig az alacsonyabb iskolázottság társult gyorsabb EKG-alapú öregedéssel. Vérvizsgálati adatokon fejlesztett modellek a dohányzókat biológiailag idősebbnek becsülték a nemdohányzóknál, különösen a fiatalabb résztvevők között.
Értelmezhetőség és több szerv együttes vizsgálata
A magyarázható mesterséges intelligencia azt vizsgálja, mely jellegzetességek alakítják leginkább a becslést. Egy 6228 egészséges önkéntes adatain végzett elemzésben a V4–V5 elvezetések T-hullám-eltérései, az aVR és II elvezetés P-hullám-amplitúdója, valamint a pitvari frekvencia bizonyult fontosnak. Más vizsgálatok a P-hullám és az autonóm működés markereinek szerepét emelték ki.
A szív és az agy képalkotó adatain alapuló modellek részben közös, részben szervspecifikus öregedési pályákat jeleztek. A generatív modellek kísérleti megközelítésként szintetikus képeken szemléltették a szív életkorral összefüggő anatómiai változásait. Az alvás alatti EKG-mintázatok csoportosítása pedig eltérő kardiovaszkuláris öregedési profilok azonosítását szolgálta.
A DNS-metilációs és az EKG-alapú életkort összevető, 498 résztvevős vizsgálatban a gyorsult epigenetikai öregedés a szív kedvezőtlenebb működésével és elektromos eltéréseivel függött össze. Az epigenetikai életkor részben közvetítette a kardiovaszkuláris rizikófaktorok hatását. Cerebrovascularis betegségben ugyanakkor a klinikai adatokból becsült epigenetikai életkorgyorsulás modelljei korlátozott teljesítményt mutattak: a legjobb algoritmus a változékonyság 37,8%-át magyarázta.
Az alvásvizsgálati megközelítésben 1149 beteg poliszomnográfiás adataiból azonosítottak EKG-mintázatokat, majd ezeket az alvásstádiumok információival egyesítették. A 736 betegből álló független tesztmintán az átlagos abszolút hiba 15,1 ± 1,3 év volt. A becsült biológiai életkor magasabb halálozással és kardiovaszkuláris kockázattal társult. Ezek az eredmények eltérő alvási fenotípusok elkülönítésének lehetőségét vetették fel, de a módszer klinikai alkalmazásának megalapozásához ellenőrzés szükséges. Az áttekintés ezeket az eljárásokat a mélytanulásos EKG-modelleknél kevésbé kiforrott kutatási megközelítések közé sorolta.
A klinikai alkalmazás bizonyítékhiányai
A tanulmányok összehasonlíthatóságát eltérő populációk, végpontdefiníciók és validációs stratégiák korlátozták. Sok elemzés retrospektív volt, prospektív validációból és a klinikai hasznosságot értékelő randomizált vizsgálatokból kevés állt rendelkezésre. A feldolgozott populációk mintegy 51%-a Brazíliából, 31%-a az Egyesült Államokból származott, ami szűkíti az eredmények általánosíthatóságát.
A szerzők nem találtak egyértelmű, következetes bizonyítékot a mélytanulás hagyományos gépi tanulással szembeni fölényére. A kisebb életkorbecslési hiba önmagában nem jelent nagyobb klinikai hasznosságot: a kronológiai életkor tökéletes reprodukálása nem adna többletinformációt a biológiai öregedésről.
A továbblépéshez standardizálás, földrajzilag és etnikailag változatos kohorszok, prospektív ellenőrzés és jobb értelmezhetőség szükséges. Tisztázandó az is, hogy a gyorsult biológiai öregedés elősegíti-e a kardiovaszkuláris betegségek kialakulását, vagy a fennálló betegségek módosítják az életkorbecslést. A többféle adatforrást egyesítő modellek, a folyamatos monitorozás és a betegspecifikus digitális ikrek egyelőre további kutatási irányokat jelentenek.
Forrás: Sudoso AM, Ciarpaglini L, Scuppa D, Trasatti E, Sciandrone M, Galiuto L. A scoping review on aging and cardiovascular diseases – Molecular mediators and artificial intelligence-based advanced diagnostic methods. International Journal of Cardiology. 2026;460:134615. doi:10.1016/j.ijcard.2026.134615.
Ez a cikk mesterséges intelligencia segítségével készült, majd szerkesztőségünk áttekintette, korrigálta és jóváhagyta. A hivatkozott forrásokat szerkesztőségünk választotta, és a tartalom pontosságának, időszerűségének biztosítása érdekében a szöveget az eredeti forrással összevetette.
