Les modèles d’apprentissage automatique ont pu prédire la mortalité à l’hôpital et dans les six mois suivant un type de crise cardiaque, selon les résultats présentés aujourd’hui au ESC Digital & AI Summit 2026.
Chaque année, plus de deux millions de personnes dans le monde développent un infarctus du myocarde avec sus-décalage ST (STEMI), un type de crise cardiaque provoquée par le blocage complet d’une ou plusieurs artères coronaires. L’intervention coronarienne percutanée (ICP) est efficace pour de nombreux patients après STEMI, mais pour certains, le risque de mortalité reste élevé après le traitement.
Comme l’a décrit le docteur Andrea Rafanelli du centre médical de l’université d’Amsterdam (UMC), aux Pays-Bas, il existe un besoin non satisfait d’un outil de prédiction des risques capable d’identifier avec précision les patients présentant un risque élevé de mortalité après une ICP : « Les scores existants recommandés par les lignes directrices, tels que GRACE 2.0, estiment la mortalité à l’hôpital et à six mois lors de la présentation, avant l’ICP, plutôt qu’après la procédure. collectées, ce qui limite leur utilisation dans la pratique quotidienne.
Le projet PERISCOPE (Patient Risk StratifiCation for Post‑STEMI Complications) visait à développer des modèles d’apprentissage automatique pour prédire la mortalité à l’hôpital et pendant les six premiers mois après une ICP. « L’objectif principal est de pouvoir identifier avec précision les patients qui ont besoin d’un traitement supplémentaire et d’une surveillance plus étroite après l’intervention », a-t-elle déclaré.
Un ensemble de modèles de régression logistique a été formé sur la base de données américaine PREMIER PINC AI Healthcare (n = 38 489), testé de manière indépendante sur les données américaines TriNetX (n = 119 035) et validé en externe à l’aide des données du dossier médical électronique Amsterdam UMC (n = 6 776). Dans ces trois bases de données, les taux de mortalité hospitalière variaient entre 6,6 % et 9,9 %, tandis que les taux de mortalité à six mois variaient entre 11,4 % et 23,7 %.
Les chercheurs ont constaté que les modèles PERISCOPE ont surpassé le score GRACE 2.0 pour prédire la mortalité hospitalière et la mortalité à six mois dans les trois bases de données. Dans chaque cas, la limite inférieure de l’intervalle de confiance à 95 % de l’aire sous la courbe caractéristique de fonctionnement du récepteur observée avec les modèles PERISCOPE dépassait la limite supérieure observée avec le score GRACE 2.0.
Les modèles d’apprentissage automatique ont fourni une bonne discrimination de la mortalité à l’hôpital et à six mois.
Docteur Andrea Rafanelli, Centre médical universitaire d’Amsterdam (UMC)
« L’un des aspects les plus encourageants était que les modèles présentaient des performances cohérentes dans les trois ensembles de données, géographiquement et cliniquement divers, ce qui suggère une bonne généralisabilité », a-t-elle noté.
« Les modèles PERISCOPE peuvent offrir un système facile à mettre en œuvre pour aider à trier les patients présentant un risque élevé d’événements futurs, mais leur impact sur les résultats doit d’abord être testé dans des populations plus diverses et dans des études prospectives. Les recherches futures devraient évaluer l’efficacité des modèles lorsqu’ils sont intégrés dans le parcours de soins et comment les rendre exploitables. Enfin, il conviendrait d’élargir le champ d’application au-delà du STEMI à d’autres formes de syndrome coronarien aigu », a conclu le docteur Rafanelli.
