Un simple scan ECG pourrait désormais prédire votre risque de maladie cardiaque, d'Alzheimer et de cancer avant que les symptômes n'apparaissent – grâce au suivi de l'âge biologique propulsé par l'IA.
Étude: reclassement de l'évaluation des risques conventionnelle pour les maladies liées au vieillissement par âge biologique compatible avec électrocardiogramme. Crédit d'image: Totojang1977 / Shutterstock
Dans une étude récente publiée dans la revue Vieillissement du NPJles chercheurs ont évalué si l'âge biologique estimé par l'électrocardiogramme compatible avec l'intelligence artificielle (AI) (ECG-BA) améliore la classification des risques pour les maladies liées au vieillissement au-delà de l'âge chronologique (CA).
Sommaire
Arrière-plan
Saviez-vous que deux personnes du même âge peuvent avoir des résultats de santé radicalement différents? Le vieillissement affecte les individus différemment, certains restent actifs et sans maladie tandis que d'autres développent des conditions graves.
Le vieillissement est un processus universel qui entraîne un déclin physiologique, augmentant le risque de neurodégénératifs, cardiovasculaires (CV), métaboliques, musculo-squelettiques et immunitaires. Le CA est couramment utilisé dans les modèles de prédiction des maladies, mais il ne capture pas la variabilité du vieillissement biologique entre les individus. L'étude a exclu les personnes souffrant de conditions préexistantes telles que l'hypertension, le diabète et l'incapacité cardiaque à se concentrer sur une population « saine ».
L'ECG-BA, dérivée des biomarqueurs physiologiques, fournit une mesure plus personnalisée de l'état de santé. L'IA permet désormais une analyse en temps réel des signaux ECG pour estimer l'ECG-BA, améliorant la stratification des risques. Une validation croisée cinq fois a été appliquée pour optimiser les performances du modèle, garantissant des résultats robustes. Des recherches supplémentaires sont nécessaires pour valider sa valeur prédictive pour diverses populations.
À propos de l'étude
L'étude a utilisé des enregistrements ECG collectés auprès de l'hôpital général des anciens combattants de Taipei entre 2006 et 2017. Initialement, 51 061 ECG valides ont été enregistrés, mais après avoir appliqué des critères d'exclusion, 48 783 personnes en bonne santé âgées de 20 à 80 ans ont été analysées.
Un modèle d'apprentissage en profondeur intégrant un réseau résiduel (RESNET), un réseau de compression et d'excitation (SENET) et d'apprentissage multitâche a été développé pour estimer ECG-BA à partir d'ECG à 12 dérivations. Le modèle a été optimisé à l'aide de l'optimiseur ADAM, qui a affiné les poids du réseau pour une précision améliorée. Le CA et les dossiers médicaux ont été liés à l'aide des codes internationaux de classification des maladies (ICD) pour classer les participants en groupes de maladies et de contrôle liés au vieillissement.
La formation du modèle impliquait une validation croisée quinquennale pour optimiser les performances. La principale métrique d'évaluation était la corrélation entre ECG-BA et CA dans une population saine.
Les performances de diagnostic pour les maladies CV et non CV ont été évaluées à l'aide de zones dans les courbes de caractéristiques de fonctionnement du récepteur (ROC). L'amélioration du reclassement net (NRI) a été calculée pour mesurer l'amélioration de la classification des risques après avoir incorporé ECG-BA.
L'analyse statistique a inclus la régression logistique conditionnelle pour évaluer l'utilité prédictive du modèle dans la classification des maladies. L'erreur absolue moyenne du modèle (MAE) était de 6,25 ans, avec une erreur de pourcentage absolue (MAP) de 15,35%, indiquant une forte précision prédictive par rapport aux modèles précédents.
Le traitement des données et la mise en œuvre du modèle ont été réalisés à l'aide de Pytorch, avec des résultats validés par rapport aux repères cliniques établis.
Résultats de l'étude
Imaginez pouvoir prédire les risques futurs pour la santé avec un ECG simple, tout comme la façon dont une smartwatch surveille l'activité cardiaque quotidienne. Cette étude révèle que l'ECG-BA est un outil puissant pour identifier les maladies liées au vieillissement plus tôt et plus précisément que l'AC seul.
Le modèle a montré une forte corrélation entre ECG-BA et CA (R² = 0,70, p <0,01). La précision prédictive du modèle était plus élevée que les modèles ECG basés sur l'IA précédents, qui avaient des marges d'erreur plus importantes. Cependant, la valeur réelle de cette technologie est sa capacité à identifier les personnes à risque de développer des maladies graves avant l'apparition des symptômes traditionnels.
Comparé à l'utilisation uniquement de l'AC, l'incorporation de l'ECG-BA a considérablement amélioré la prédiction du risque pour des conditions telles que la maladie coronarienne (CAD), l'AVC et l'infarctus du myocarde (IM).
Par exemple, l'amélioration du reclassement net (NRI) pour la maladie occlusive artérielle périphérique (PAOD) était de 1,1% (de 0,8632 à 0,8653, p <0,01), ce qui signifie que l'ECG-BA a raffiné la classification du risque au-delà de l'AC seul. La classification des risques de cancer s'est améliorée de 29% en termes de NRI, démontrant que cette technologie peut affiner les évaluations médicales et cibler plus efficacement les individus à haut risque.
Pour un impact réel, considérez la détection du cancer. Le diagnostic précoce peut faire la différence entre la vie et la mort. L'étude a démontré que l'ECG-BA a corrigé 21% des erreurs de classifications faites par l'AC seule, réduisant le nombre de patients incorrectement classés. Cela signifie que davantage de personnes à haut risque pourraient être identifiées plus tôt, ce qui permet potentiellement d'interventions en temps opportun qui sauvent des vies.
Les améliorations les plus significatives ont été observées chez les personnes âgées de 40 ans et plus, renforçant l'idée que le vieillissement biologique – non seulement le nombre d'années vécu – devrait être pris en compte dans les évaluations des soins de santé.
Malgré son succès dans le raffinage de la prédiction des maladies, le modèle avait des limites à la prévision des conditions liées à l'arythmie telles que la fibrillation auriculaire (AF) et le syndrome des sinus malades (SSS). L'étude suggère que les arythmies sont influencées par des facteurs au-delà du vieillissement, tels que l'hyperthyroïdie, le tabagisme et les habitudes de vie, ce qui peut expliquer pourquoi l'ECG-BA est moins efficace pour ces conditions.
Cependant, pour les conditions motivées par le vieillissement biologique, comme la maladie d'Alzheimer (AD) et l'arthrose (OA), cet outil présente une opportunité révolutionnaire pour améliorer la détection précoce et les stratégies de santé préventives.
Avec l'augmentation de l'accessibilité de la surveillance de l'ECG via des appareils portables, ces résultats ont des implications de grande envergure. Cependant, l'étude note que les modèles ECG-BA nécessitent une validation supplémentaire sur différentes machines ECG, telles que Philips et GE Healthcare, car les variations des paramètres de dispositifs pourraient avoir un impact sur les prédictions.
Imaginez un avenir où les ECG de routine détectent non seulement des problèmes cardiaques immédiats, mais fournissent également un score de risque de vieillissement personnalisé, aidant les individus à prendre des mesures proactives pour maintenir la santé à long terme.
Cette étude marque une étape importante vers cet avenir, démontrant que l'ECG-BA peut remodeler la médecine préventive et l'évaluation des risques, améliorant finalement les résultats pour la santé à l'échelle mondiale.
Conclusions
Pour résumer, l'ECG-BA fournit une valeur supplémentaire dans la classification des risques pour les maladies liées au vieillissement au-delà de ca. Le modèle basé sur l'apprentissage en profondeur a démontré des améliorations significatives de la précision prédictive, en particulier pour les conditions CV, la MA, l'arthrose et les cancers.
L'analyse d'amélioration du reclassement net (NRI) a indiqué que l'intégration de l'ECG-BA pourrait corriger les erreurs de classification dans 21% des cas, avec l'amélioration la plus élevée (29%) observée dans la prédiction du risque de cancer. Les résultats mettent en évidence le potentiel des ECG en tant que biomarqueur non invasif et rentable pour le vieillissement systémique.
Cependant, l'étude met également l'accent sur la nécessité d'une validation multicentrique pour confirmer la généralisation de diverses populations et plates-formes d'appareils.
