Les cliniciens utilisent souvent un test médical appelé électrocardiogramme (ECG) à 12 dérivations pour diagnostiquer les problèmes cardiaques, qui utilise des électrodes placées sur la poitrine et les membres pour enregistrer l’activité électrique du cœur. Les outils d’intelligence artificielle (IA) sont couramment utilisés pour faciliter les diagnostics basés sur les ECG. Mais les outils actuels nécessitent généralement de grandes quantités de données de formation, étiquetées manuellement avec la présence ou l’absence de maladies spécifiques, ce qui peut rendre les outils peu adaptables à d’autres tâches cliniques.
Aujourd’hui, les scientifiques de Scripps Research ont construit un nouveau modèle d’IA pour améliorer la détection et la prédiction de diverses maladies cardiaques, ce qui peut être particulièrement utile dans les environnements disposant de données étiquetées limitées ou de moins de dérivations ECG disponibles. Publié dans Lancet Santé numérique le 1er septembre 2026, le nouvel outil, appelé ECG-CLIP, a été formé à l’aide de plus de 1,7 millions d’ECG collectés auprès de plus de 540 000 personnes et associé aux notes des cliniciens, intégrant à l’outil des connaissances qui pourraient le rendre plus adaptable à différentes tâches de détection et de prédiction de maladies dans des environnements cliniques réels.
Notre nouvel algorithme n’a besoin que de voir environ une douzaine d’ECG confirmés d’une maladie spécifique pour détecter cette maladie à l’avenir. Ceci est similaire à la façon dont un clinicien apprendrait : non pas à partir d’un million d’exemples, mais en comprenant d’abord la physiologie générale derrière un ECG, puis en observant quelques cas spécifiques. »
Giorgio Quer, auteur principal, professeur adjoint de médecine numérique, Scripps Research
ECG-CLIP est un « modèle de base », qui est un type de modèle d’IA qui apprend à partir de divers ensembles de données, après quoi il peut être utilisé pour effectuer de nombreuses tâches différentes. Une fois l’ECG-CLIP entièrement formé, l’équipe de Quer a entrepris de tester la manière dont il effectuait trois tâches cliniques par rapport aux modèles existants. Ceux-ci comprenaient deux modèles de base supervisés (un modèle d’apprentissage profond standard et un modèle linéaire), un modèle de base général (non formé sur les ECG) et trois modèles de base formés par ECG.
La première tâche testée par l’équipe consistait à détecter les maladies cardiaques. Ils ont sélectionné trois types à rechercher : l’infarctus aigu du myocarde, l’amylose cardiaque et la cardiomyopathie hypertrophique. Les chercheurs ont ensuite donné à chaque modèle un nouvel ensemble de données contenant plus de 800 000 ECG et ont demandé lesquels montraient des signes des trois maladies. En utilisant une méthode « aire sous la courbe (AUC) » mesurant dans quelle mesure un modèle distingue les ECG des personnes avec et sans une condition particulière, l’équipe de Quer a constaté que l’ECG-CLIP fonctionnait systématiquement mieux que les modèles standard pour détecter les trois maladies.
L’équipe a également constaté que dans les trois tâches de détection de maladies, ECG-CLIP correspondait aux performances du deuxième meilleur modèle formé sur l’ensemble de données complet tout en utilisant en moyenne environ 91 % de données d’entraînement étiquetées à la main en moins.
Comparé aux trois modèles de base ECG – qui ont été formés sur des ECG, mais pas sur des notes de cliniciens – ECG-CLIP a également donné de meilleurs résultats dans des contextes où la quantité de données de formation étiquetées était limitée (aussi peu que 10 exemples positifs d’une maladie donnée). Les différences de performances entre ECG-CLIP et les autres modèles disparaissaient généralement à mesure que le nombre d’exemples étiquetés augmentait.
« Nous avons constaté que l’ECG-CLIP était plus efficace pour détecter et prédire les maladies cardiovasculaires, en particulier dans les cas où il y avait beaucoup moins de données », explique Quer. « Cela peut être particulièrement utile dans des cas comme les maladies rares, où il n’existe qu’une douzaine d’exemples positifs d’ECG bien étiquetés pouvant être utilisés pour entraîner le modèle. »
ECG-CLIP a également donné de bons résultats en utilisant les données ECG à dérivation unique dans les tests de détection de l’infarctus aigu du myocarde, ce qui peut le rendre utile dans les contextes où les ressources sont limitées.
La deuxième tâche testée consistait à prédire les maladies cardiaques. Ici, les membres du laboratoire de Quer se sont concentrés sur la capacité des modèles à prédire la fibrillation auriculaire, un type de rythme cardiaque irrégulier. Ils ont constaté que l’ECG-CLIP surpassait tous les autres modèles pour prédire la fibrillation auriculaire future à partir d’ECG à 12 dérivations affichant des rythmes cardiaques normaux.
La dernière tâche consistait à prédire les conséquences néfastes sur la santé. ECG-CLIP a démontré la meilleure performance des modèles testés pour prédire la probabilité de survie dans les 30 jours suivant une visite aux urgences ou une intervention chirurgicale, ainsi que la probabilité de développement d’une maladie chronique, en particulier une maladie rénale chronique et un diabète de type II, dans un délai de trois ans.
Un problème courant avec les outils d’IA est qu’il peut être difficile de savoir quelles caractéristiques spécifiques des données le modèle utilise pour prendre des décisions. Pour aider à visualiser cela, les chercheurs ont généré des cartes de saillance. Ces cartes mettent en évidence les régions du signal qui contribuent le plus aux prédictions du modèle, ce qui donne aux cliniciens une vision plus claire des régions ECG sur lesquelles le modèle s’appuie. L’équipe de Quer a mis en œuvre des cartes de saillance pour rendre les résultats de l’ECG-CLIP plus interprétables, ce qui peut contribuer à renforcer la confiance avec les cliniciens et à augmenter la probabilité de déploiement en clinique.
À l’avenir, l’équipe de Quer vise à élargir le type de données disponibles pour le modèle afin d’améliorer ses performances dans des contextes spécifiques, comme le service des urgences. L’équipe espère également évaluer sa compatibilité avec différents types de systèmes d’enregistrement ECG, comme les appareils portables, où l’intégration pourrait éventuellement permettre une surveillance continue et à distance des maladies cardiaques.
« Bien que ces résultats démontrent un potentiel substantiel, une validation rigoureuse dans des essais cliniques prospectifs sera nécessaire pour établir l’applicabilité de l’ECG-CLIP dans des contextes cliniques réels », déclare Michael Ko, co-premier auteur de l’étude, étudiant diplômé et assistant de recherche à Scripps Research.
Le travail s’ajoute à une collection croissante d’algorithmes d’IA développés par le laboratoire de Quer pour dépister et diagnostiquer les maladies cardiaques. Cela inclut un algorithme développé en 2024 pour diagnostiquer avec autant de précision les crises cardiaques et les troubles du rythme lorsque seules trois dérivations ECG sur 12 sont disponibles ; et un autre algorithme de 2023 qui peut identifier les patients les plus à risque de fibrillation auriculaire grâce à un patch ECG porté pendant deux semaines.
« Pour moi personnellement, c’est passionnant que nous puissions développer des algorithmes susceptibles de réellement aider les cliniciens et les cardiologues », déclare Quer.
