Les maladies coronariennes sont incroyablement complexes, avec un large éventail de facteurs contributifs. Ces maladies sont également associées à de nombreuses manifestations cliniques. Par conséquent, il est impératif de détecter précocement les maladies coronariennes car cela permettrait la mise en œuvre de mesures préventives, telles que des thérapies hypolipidémiantes et des modifications du mode de vie.
Étude : Marqueur basé sur l’apprentissage automatique pour la maladie coronarienne : dérivation et validation dans deux cohortes longitudinales. Crédit d’image : Gorodenkoff/Shutterstock
Sommaire
Arrière plan
Une différence quantitative dans la quantité de composition de plaque et de sténose coronarienne permet d’évaluer le risque d’infarctus du myocarde et de décès. La mauvaise classification et le diagnostic manqué de maladie coronarienne peuvent entraîner un accident vasculaire cérébral, un infarctus du myocarde et la mort.
L’hypertension, la dyslipidémie, le diabète et le tabagisme sont des facteurs communs associés aux événements coronariens. Ces facteurs sont inclus dans des outils, tels que le score de risque de Framingham, les équations de cohorte groupées (PCE) et SCORE2, utilisés pour prédire les événements de maladie coronarienne. Cependant, ces outils n’utilisent qu’une petite quantité de données provenant des dossiers de santé électroniques (DSE) et en rejettent la majorité. Certaines des données critiques rejetées par ces outils comprennent les signes vitaux, les médicaments, les tests de laboratoire, les symptômes et de nombreuses autres caractéristiques cliniques.
L’apprentissage automatique pourrait être utilisé pour analyser et interpréter de grandes quantités de données cliniques hétérogènes de patients via des systèmes de santé basés sur le DSE. Par exemple, des modèles d’apprentissage automatique ont été conçus pour prédire avec précision le risque de maladie coronarienne sur cinq ou dix ans sur la base des données du DSE.
Un modèle récent basé sur le DSE a surpassé les PCE pour prédire l’état de la maladie coronarienne sur un an. Ces modèles sont principalement utilisés comme outil de classification pour un cadre binaire. Cependant, ils ne mesurent pas la maladie sur une échelle continue, c’est-à-dire un cadre quantitatif. La méthode quantitative d’évaluation de la maladie coronarienne pourrait être plus bénéfique, car elle contribuera à fournir des soins personnalisés améliorés.
Une nouvelle étude
Une étude récente publiée dans le Journal du Lancet étudié si un quantitatif in silico score de maladie coronarienne (ISCAD), basé sur un modèle d’apprentissage automatique, peut être utilisé comme marqueur clinique pour détecter la maladie coronarienne. Il a également évalué si le marqueur identifié pouvait être utilisé dans la stratification du risque et pour évaluer le pronostic de la maladie.
En règle générale, les molécules ou les mesures anthropométriques sont utilisées comme des mesures conventionnelles in vivo indicateurs de maladie. La présente étude a évalué l’utilité de l’ISCAD, qui est basé sur de multiples points de données cliniques dans les DSE, en tant que in silico marqueur de la maladie coronarienne.
La cohorte de l’étude était composée de participants de deux biobanques liées au DSE aux États-Unis et au Royaume-Uni. La biobanque BioMe se compose de plus de 60 000 personnes de diverses ethnies basées aux États-Unis. De plus, le modèle a été testé en externe dans la UK Biobank, qui comprend plus de 500 000 individus britanniques.
Les caractéristiques cliniques associées à la maladie coronarienne ont été extraites des DSE. Le modèle d’apprentissage automatique utilisé dans cette étude a été adapté d’un modèle précédent associé à la prédiction du risque à court terme de maladie coronarienne via un cadre binaire basé sur les données du DSE. Les scores de probabilité du modèle ont été utilisés comme marqueur quantitatif de maladie coronarienne.
Principales conclusions
Au total, 95 935 participants (35 749 de la BioMe Biobank et 60 186 de la UK Biobank) ont été recrutés pour cette étude. L’âge médian des participants était d’environ 62 ans. L’échantillon BioMe Biobank constituait 41% d’hommes et 59% de femmes, et 14% ont été diagnostiqués avec une maladie coronarienne. De même, la UK Biobank comprenait 42 % d’hommes, 58 % de femmes et 14 % des participants ont reçu un diagnostic de maladie coronarienne.
Le modèle de prédiction clinique actuel pour la maladie coronarienne présentait une aire sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) de 0,95 et 0,93 dans les ensembles de validation et d’exclusion de BioMe, respectivement. Il a également prédit une sensibilité de 0,84 et une spécificité de 0,8 dans l’ensemble de tests externes de la UK Biobank.
Sur la base des facteurs de risque connus, des PCE et des scores de risque polygénique, l’ISCAD a capturé le risque de maladie coronarienne. La sténose de l’artère coronaire s’est avérée quantitativement élevée avec une augmentation des quartiles ISCAD. Il a également indiqué un risque accru de maladie coronarienne multivasculaire, de maladie coronarienne obstructive et de sténose des principales artères coronaires. De plus, les taux de mortalité et de risque toutes causes confondues ont progressivement augmenté au-dessus des déciles ISCAD.
conclusion
L’étude actuelle présente certaines limites, notamment l’utilisation de codes de diagnostic pour établir le statut des cas de maladie coronarienne, ce qui présente une forte possibilité d’erreur de classification. De plus, une petite taille d’échantillon pourrait affecter la généralisation des résultats.
Il est important de noter que l’analyse des données du DSE via des modèles d’apprentissage automatique ouvre une nouvelle voie pour évaluer un large éventail de maladies. Cette étude a déterminé l’association de l’ISCAD avec les résultats cliniques de la maladie coronarienne, y compris l’infarctus du myocarde récurrent, le fardeau de la plaque d’athérosclérose et la mortalité toutes causes confondues. Le marqueur basé sur l’apprentissage automatique a également permis d’identifier les individus sous-diagnostiqués présentant des preuves ISCAD et EHR élevées.
À l’avenir, d’autres recherches seront nécessaires pour déterminer l’association de en silicone marqueurs avec la survenue d’événements coronariens et de décès. L’efficacité de cette stratégie doit également être évaluée en utilisant d’autres populations.
