Un modèle d'IA percéent peut repérer les maladies cardiaques structurelles silencieuses à partir d'un simple ECG, promettant d'attraper des conditions dangereuses plus tôt, rationaliser les soins aux patients et combler l'écart de diagnostic manqué par le dépistage traditionnel.
Étude: détection des maladies cardiaques structurelles des électrocardiogrammes utilisant l'IA. Crédit d'image: DC Studio / Shutterstock
Dans une étude récente publiée dans la revue Natureun groupe de chercheurs a étudié si un modèle d'électrocardiogramme de l'intelligence artificielle (IA) (ECG) peut détecter de manière fiable les diverses maladies cardiaques structurelles (SHD) dans divers hôpitaux et établissements de soins, surpassant l'examen standard des médecins. Le modèle, appelé Echonext, a été développé en tant que classificateur multitâche pour aborder la colinéarité entre les différentes étiquettes de composants SHD.
Sommaire
Arrière-plan
Chaque minute, un autre patient américain (États-Unis) entre dans l'hôpital avec des symptômes qui peuvent masquer la SHD sous-jacent. Le traitement du SHD draine déjà la nation de plus de 100 milliards de dollars chaque année. Pourtant, environ 6,4% des adultes plus âgés ont une maladie cardiaque valvulaire (VHD) cliniquement significative qui n'a jamais été diagnostiquée, en plus de 4,9% déjà diagnostiqués, ce qui rend la prévalence totale de plus de 11%.
L'échocardiographie précoce sauve des vies, mais les laboratoires échographiques, les lecteurs formés et les coûts de voyage des patients restent des obstacles, laissant les cliniciens occupés à deviner qui scanner.
Les archives ECG numériques à grande échelle et l'IA moderne offrent une alternative à faible coût: si un ECG de dix secondes pouvait découvrir de manière fiable une maladie silencieuse, des ressources d'imagerie rares pourraient être adressées à ceux qui en ont le plus besoin.
Des recherches supplémentaires sont nécessaires pour déterminer si le dépistage guidé par les algorithmes améliore la survie et l'équité. De plus, le document traite des stratégies de déploiement potentielles pour ces modèles, y compris les applications «Gatekeeper» et «Net de sécurité», chacune avec des avantages et des compromis uniques pour la pratique clinique.
À propos de l'étude
Les enquêteurs ont assemblé 1 245 273 enregistrements d'échocardiogrammes d'ECG appariés de 230 318 adultes traités entre 2008 et 2022 dans huit hôpitaux de Newyork-Presbyterian (NYP), réservant les divisions au niveau du patient pour l'entraînement, la validation et les tests.
La SHD a été marquée lorsque toute anomalie définie par les directives était présente avec une fraction d'éjection ventriculaire gauche (LVEF) ≤ 45%, une épaisseur de paroi ventriculaire gauche ≥ 1,3 cm, une pression systolique (PASP) modérée ou pire Définition de l'hypertension, régurgitation / sténose modérée ou pire de toute valve, ou un épanchement péricardique modéré / grand.
Les auteurs notent que ces seuils sont quelque peu arbitraires, car différentes études et directives peuvent utiliser des seuils variables.
Un réseau neuronal convolutionnel nommé Echonext a ingéré la forme d'onde brute à 12 lead, ainsi que sept paramètres ECG de routine et données d'âge / sexe. La performance a d'abord été mesurée sur un ensemble de tests du NYP, puis sur des cohortes externes de Cedars-Sinai, du Montréal Heart Institute et de l'Université de Californie à San Francisco.
La généralisation à travers l'âge, le sexe, la race, l'ethnicité et le contexte clinique a été évaluée. Le déploiement «Shadow» silencieux a couru Echonext sur 84 875 ECG consécutifs des patients sans échocardiographie antérieure, stockant des scores mais ne influençant pas les soins.
Enfin, un pilote d'un seul site, détectant les maladies cardiaques structurelles utilisant l'apprentissage en profondeur sur un réseau de forme d'onde électrocardiographique (découverte), invitée de manière prospective aux adultes sans imagerie récente pour subir une échocardiographie stratifiée par le score de risque d'un modèle prédécesseur; Echonext a été analysé après HOC.
Résultats de l'étude
Echonext, un modèle ECG alimenté par AI, excellait dans une analyse rétrospective. Dans l'ensemble de tests de NYP à huit hospitaliers, il a détecté la SHD composite avec une zone sous la caractéristique de fonctionnement du récepteur (AUROC) de 85,2% et une superficie sous la courbe de précision-enregistrement (AUPRC) de 78,5%. La précision est restée cohérente sur les campus universitaires et communautaires et n'a pas faibli lorsque les sites de formation et de test ont été échangés, démontrant la généralisation.
La validation externe du Cedars-Sinai Medical Center, du Montréal Heart Institute (MHI) et de l'Université de Californie à San Francisco, a donné des valeurs Auroc de 78 à 80%, malgré une prévalence plus élevée des maladies.
Performance spécifique à la maladie: LEVE ≤ 45% ont atteint AUROC 90,4%, tandis que un PAP ≥ 45 millimètres de mercure a atteint 82,7%. Les auteurs soulignent que les valeurs d'AUPRC pour les maladies des composants dépendent fortement de la prévalence sous-jacente de la maladie et ne doivent pas être directement comparées entre les conditions ou les cas d'utilisation.
Une étude de lecture à 150 traces a comparé Echonext avec treize cardiologues. En examinant les intervalles larges de l'âge, du sexe, de la forme d'onde et de l'ECG, les médecins ont correctement identifié SHD dans 64% des cas. L'IA à elle seule a atteint une précision de 77%, et lorsque les cliniciens ont montré le score de risque algorithmique, leur précision a augmenté modestement à 69%, soulignant que le modèle a capturé des modèles pronostiques qui étaient cachés aux yeux experts. Il est important de noter que les cardiologues de cette évaluation n'avaient accès qu'aux ECG et aux paramètres de routine identifiés, sans aucun contexte clinique, qui n'est pas typique des soins cliniques standard.
Pour estimer les opportunités cliniques à grande échelle, l'équipe a connu silencieusement Echonext sur 124 027 ECG enregistrés en 2023 auprès de 84 875 adultes qui n'avaient jamais subi d'échocardiographie. Le modèle a signalé neuf pour cent des traces comme risque élevé. Les soins habituels, néanmoins, ont laissé 45% de ces personnes sans imagerie de suivi, ce qui suggère que 1 998 cas de SHD silencieux auraient pu être interceptés si l'alerte avait été vivante, basée sur des scénarios de prévalence et de sensibilité modélisés fournis dans l'article.
Parmi les 15 094 patients qui ont finalement reçu une échocardiographie, préservé Echonext (AUROC 83%; AUPRC 81%) et a fourni une valeur prédictive positive de 74%, renforçant sa fiabilité dans un flux de travail contemporain. Le document fournit également des estimations de performances modélisées dans différents scénarios de prévalence et seuils de sensibilité, soulignant les implications pratiques pour le dépistage à l'échelle de la population.
Les preuves potentielles proviennent du Pilot Discovery, qui a recruté 100 adultes naïfs d'imagerie. La notation des échonieuses post hoc a révélé des niveaux clairs, avec une SHD précédemment non reconnue présente dans 73% des participants à haut risque, 28% des participants à risque modéré et 6% des participants à faible risque; La VHD à gauche modérée à sévère a suivi un gradient similaire.
Ces résultats illustrent la capacité du modèle à triage des ressources d'échocardiographie rares envers ceux les plus susceptibles de bénéficier, tout en épargnant les tests inutiles à faible risque. L'essai d'origine a utilisé un modèle prédécesseur (VALVENET) pour stratifier les risques et recruter les participants, et le modèle Echonext a été appliqué rétrospectivement à ces participants pour une analyse plus approfondie.
Conclusions
Pour résumer, Echonext démontre qu'un ECG amélioré AI-AI peut détecter la SHD associée à la réduction de la FVEF, un PASP élevé et une VHD significative, avec des mesures AUROC et AUPRC supérieures à celles des cardiologues. En signalant des patients à haut risque pour l'échocardiographie en temps opportun, l'algorithme promet de réduire le retard de diagnostic et la charge d'un milliard de dollars de la SHD tout en maintenant les capitaux propres entre les sites et les données démographiques. Cependant, les auteurs avertissent que le dépistage basé sur l'IA peut également comporter des risques potentiels, y compris l'anxiété des patients à partir de faux positifs ou de biais dans l'adoption clinique, et souligner la nécessité d'une étude plus approfondie de ces aspects.
La publication publique du code et des données encourage la validation indépendante; Cependant, les grands essais pragmatiques doivent vérifier que le dépistage de l'ECG guidé par l'AI améliore vraiment la survie, la qualité de vie et la valeur des soins de santé. Notamment, les auteurs ont publié un grand ensemble de données identifié et un modèle d'IA de référence (le mini-modèle Columbia) pour soutenir des recherches supplémentaires et permettre une comparaison transparente des algorithmes futurs.
