Selon une étude menée par des chercheurs de l’Université de Pittsburgh publiée aujourd’hui dans Médecine naturelle.
« Lorsqu’un patient arrive à l’hôpital avec des douleurs thoraciques, la première question que nous posons est de savoir si le patient a une crise cardiaque ou non. Il semble que cela devrait être simple, mais quand ce n’est pas clair à partir de l’ECG, cela peut prendre du temps. à 24 heures pour effectuer des tests supplémentaires », a déclaré l’auteur principal Salah Al-Zaiti, Ph.D., RN, professeur agrégé à la Pitt School of Nursing et de médecine d’urgence et de cardiologie à l’École de médecine. « Notre modèle aide à relever ce défi majeur en améliorant l’évaluation des risques afin que les patients puissent obtenir des soins appropriés sans délai. »
Parmi les pics et les creux d’un électrocardiogramme, les cliniciens peuvent facilement reconnaître un schéma distinct qui indique le pire type de crise cardiaque appelé STEMI. Ces épisodes graves sont causés par le blocage total d’une artère coronaire et nécessitent une intervention immédiate pour rétablir le flux sanguin.
Le problème est que près des deux tiers des crises cardiaques sont causées par un blocage sévère, mais n’ont pas le schéma ECG révélateur. Le nouvel outil aide à détecter des indices subtils dans l’ECG qui sont difficiles à repérer pour les cliniciens et améliore la classification des patients souffrant de douleurs thoraciques.
Le modèle a été développé par le co-auteur Ervin Sejdić, Ph.D., professeur agrégé au département de génie électrique et informatique Edward S. Rogers de l’Université de Toronto et titulaire de la chaire de recherche en intelligence artificielle pour les résultats de santé au North York General Hospital. à Toronto, avec des ECG de 4 026 patients souffrant de douleurs thoraciques dans trois hôpitaux de Pittsburgh. Le modèle a ensuite été validé en externe auprès de 3 287 patients d’un système hospitalier différent.
Les chercheurs ont comparé leur modèle à trois étalons-or pour évaluer les événements cardiaques : l’interprétation de l’ECG par un clinicien expérimenté, les algorithmes commerciaux d’ECG et le score HEART, qui tient compte des antécédents lors de la présentation – ; y compris la douleur et d’autres symptômes – ; Interprétation de l’ECG, âge, facteurs de risque ; tels que le tabagisme, le diabète, l’hypercholestérolémie ; et les taux sanguins d’une protéine appelée troponine.
Le modèle a surclassé les trois, reclassant avec précision 1 patient sur 3 souffrant de douleur thoracique en risque faible, intermédiaire ou élevé.
Dans nos rêves les plus fous, nous espérions égaler la précision de HEART, mais nous avons été surpris de constater que notre modèle d’apprentissage automatique basé uniquement sur l’ECG dépassé cette cote. »
Salah Al-Zaiti, auteur principal
Selon le co-auteur Christian Martin-Gill, MD, MPH, chef de la division des services médicaux d’urgence (EMS) à l’UPMC, l’algorithme aidera le personnel des EMS et les prestataires des services d’urgence à identifier les personnes ayant une crise cardiaque et celles dont le flux sanguin est réduit. le cœur d’une manière beaucoup plus robuste par rapport à l’analyse ECG traditionnelle.
« Ces informations peuvent aider à guider les décisions médicales des EMS telles que le lancement de certains traitements sur le terrain ou l’alerte des hôpitaux qu’un patient à haut risque arrive », a ajouté Martin-Gill. « D’un autre côté, il est également excitant que cela puisse aider à identifier les patients à faible risque qui n’ont pas besoin d’aller dans un hôpital doté d’un établissement cardiaque spécialisé, ce qui pourrait améliorer le triage préhospitalier. »
Dans la prochaine phase de cette recherche, l’équipe optimise la manière dont le modèle sera déployé en partenariat avec le Bureau des services médicaux d’urgence de la ville de Pittsburgh. Al-Zaiti a déclaré qu’ils développaient un système basé sur le cloud qui s’intègre aux centres de commandement hospitaliers qui reçoivent les lectures ECG de l’EMS. Le modèle analysera l’ECG et renverra une évaluation des risques du patient, guidant les décisions médicales en temps réel.
Les autres auteurs qui ont contribué à cette recherche sont Zeineb Bouzid, Stephanie Helman, MSN, RN, Nathan Riek, Karina Kraevsky-Phillips, MA, RN, Gilles Clermont, MD, Murat Akcakaya, Ph.D., Susan Sereika, Ph.D. , Samir Saba, MD, et Clifton Callaway, MD, Ph.D., tous de Pitt ; Jessica Zègre-Hemsey, Ph.D., RN, de l’Université de Caroline du Nord ; Ziad Faramand, MD, du système de santé du nord-est de la Géorgie ; Mohammad Alrawashdeh, Ph.D., de la Harvard Medical School; Richard Gregg, MS, de Philips Healthcare ; Peter Van Dam, du Centre Médical Universitaire d’Utrecht ; Stephen Smith, MD, de Hennepin Healthcare et de l’Université du Minnesota ; et Yochai Birnbaum, MD, du Baylor College of Medicine.
Cette recherche a été soutenue par le National Heart, Lung, and Blood Institute, le National Center for Advancing Translational Sciences et le National Institute for Nursing Research par le biais de subventions R01HL137761, UL1TR001857, K23NR017896 et KL2TR002490.
