Un modèle d'intelligence artificielle (IA) formé pour détecter les artères coronariennes bloquées basées sur les lectures de l'électrocardiogramme (ECG) a mieux performé que les cliniciens experts et était à égalité avec les tests de troponine, selon la recherche présentée à l'American College of Cardiology Scientific Sistertific Session (ACC.25). Les résultats suggèrent que le modèle d'IA open source disponible pour pourrait aider les médecins à identifier plus rapidement les patients qui ont besoin d'un traitement urgent pour une crise cardiaque.
D'autres outils d'IA ont été développés avec un objectif similaire, mais le nouveau modèle est le premier à être explicitement conçu pour une large applicabilité dans une population générale du service d'urgence plutôt qu'à une population présélectionnée à haut risque. Les chercheurs s'attendent à ce qu'il soit particulièrement bénéfique dans la détection de la crise cardiaque sans élévation du segment ST (NSTEMI), le type de crise cardiaque le plus difficile pour les cliniciens.
L'analyse ECG aux urgences a souvent une grande variabilité. Alors que les patients atteints d'élévation du segment ST ont des changements dans l'ECG qui sont assez distincts, il existe un grand nombre de patients qui ont besoin d'une revascularisation coronarienne urgente qui n'ont pas d'élévation du segment ST; Parce que les altérations de l'ECG ne sont pas aussi claires, ces patients peuvent subir des retards de traitement. Notre objectif était d'accélérer ce processus pour identifier les patients qui pourraient avoir besoin de revascularisation plus tôt. «
Antonius Büscher, MD, scientifique clinicien à l'hôpital universitaire Münster à Münster, Allemagne, et premier auteur de l'étude
L'étude s'est concentrée sur les crises cardiaques de type 1, qui incluent les crises cardiaques STEMI et NSTEMI et se produisent lorsque la plaque s'accumule dans les artères et les ruptures du cœur, bloquant ou réduisant le flux sanguin vers le muscle cardiaque. La quantité de dommages dépend de la quantité de muscle cardiaque privé d'oxygène et du temps de traitement par revascularisation coronaire, une procédure pour ouvrir des artères bloquées. Les deux principaux instruments pour diagnostiquer les crises cardiaques sont les ECG, qui peuvent être effectués rapidement pour détecter les signatures d'une crise cardiaque basée sur des schémas de l'activité électrique du cœur, et des tests sanguins de troponine, qui sont plus sensibles mais sont également souvent positifs dans de nombreuses conditions autres qu'une crise cardiaque de type 1, qui peuvent compliquer leur interprétation et augmenter l'incertitude diagnostique. Les services d'urgence voient des volumes élevés de patients présentant des symptômes de crise cardiaque possibles, et il existe un besoin urgent de méthodes complémentaires pour mieux identifier les patients qui ont besoin d'une thérapie de revascularisation.
Pour la nouvelle étude, les chercheurs ont développé un modèle d'apprentissage en profondeur pour détecter les caractéristiques d'un ECG qui indique si un patient est susceptible de nécessiter une revascularisation urgente. Ils ont formé le modèle sur les dossiers de santé de près de 145 000 visites aux services d'urgence dans un seul centre aux États-Unis et l'ont testé sur une cohorte de plus de 35 000 visites de la même source. Ils ont ensuite effectué une validation externe en utilisant des dossiers de plus de 18 000 visites du service d'urgence dans un centre en Allemagne. Le modèle a été validé pour le résultat de formation initial de la revascularisation coronaire et le critère d'évaluation cliniquement plus pertinent du diagnostic de crise cardiaque de type 1. Le modèle a classé chaque patient comme un risque faible, intermédiaire ou élevé en fonction des lectures ECG seules.
Utilisant une métrique couramment utilisée pour évaluer les performances du modèle appelées zone sous la courbe caractéristique de fonctionnement du récepteur, ou AUC, où une valeur d'une signifie une discrimination parfaite et 0,5 signifie aucune discrimination, les chercheurs ont comparé la précision des résultats du modèle à celui des cliniciens, des tests de troponine conventionnels et des tests de troponine à haute sensibilité. Selon les résultats, le modèle a obtenu un ASC de 0,91 dans la cohorte de test interne, surpectionnant à la fois l'interprétation de l'ECG des cliniciens (0,65) et les tests de troponine conventionnels (0,71). Dans la cohorte de validation externe, le modèle a obtenu un ASC de 0,85 pour détecter les patients souffrant de crise cardiaque de type 1 et 0,81 pour prédire la revascularisation. La précision diagnostique globale était plus élevée que les cliniciens (0,74 et 0,70), et la détection de la crise cardiaque de type 1 était à égalité avec la troponine T à haute sensibilité contemporaine (0,87), qui avait une sensibilité plus élevée mais une spécificité plus faible.
« Nous avons vu que les performances du modèle étaient meilleures que l'interprétation humaine et correspondent presque à la précision des tests de troponine à haute sensibilité », a déclaré Büscher. « Bien que le modèle ne soit pas destiné à servir de test de diagnostic autonome, il pourrait considérablement améliorer l'interprétation de l'ECG dans le service des urgences et réduire l'incertitude pendant le travail du service d'urgence. »
Dans la cohorte de validation, les chercheurs ont découvert une série de cas où une crise cardiaque s'était produite mais n'a initialement pas été diagnostiqué. Notant que le modèle aurait identifié ces cas plusieurs heures plus tôt, Büscher a suggéré que le modèle pourrait être utilisé pour alerter le personnel médical ou déclencher automatiquement des tests de troponine haute sensibilité pour confirmer ou exclure une crise cardiaque.
Büscher a déclaré qu'une force du modèle par rapport aux autres outils d'IA est son auto-exploité, ce qui signifie que les chercheurs ont pu identifier les caractéristiques utilisées par le modèle pour prendre des décisions et les connecter avec des marqueurs cliniquement établis. Cela fait de l'œuvre une étape importante dans la tendance plus large vers l'intégration des outils d'IA dans l'apparence de la décision médicale.
« Un objectif commun avec ces types de modèles est d'utiliser le plus les données que nous avons et de compléter le raisonnement clinique des médecins en ramassant des nuances dans les données qui pourraient être obscures pour l'œil humain », a déclaré Büscher. « Je pense que nous sommes toujours au début dans ce domaine, mais dans un avenir pas trop loin, ces types de modèles seront utilisés comme tests de diagnostic de routine. »
Bien que les performances devraient toujours baisser lorsqu'un modèle est utilisé dans une population différente de celle qui a été formée, le modèle devrait être applicable dans la plupart des pays développés, a déclaré Büscher. Comme il est mis à la disposition ouvertement, des chercheurs ou des hôpitaux pourraient également régler le modèle avec leurs propres données pour augmenter sa précision dans des populations spécifiques.
Une étude prospective pour évaluer l'utilité pratique du modèle et les avantages potentiels dans un contexte clinique sont actuellement dans les phases de planification.
L'étude a été financée par le Centre interdisciplinaire de recherche clinique à l'Université Münster.
Cette étude a été publiée simultanément en ligne dans le European Heart Journal au moment de la présentation.
