Un nouveau modèle d'intelligence artificielle a trouvé des signaux précédemment non détectés dans des tests cardiaques de routine qui prédisent fortement quels patients souffriront de complications potentiellement mortelles après la chirurgie. Le modèle a surperformé de manière significative les scores de risque actuellement reposés par les médecins.
Les travaux financés par le gouvernement fédéral par des chercheurs de l'Université Johns Hopkins, qui transforment les résultats des tests standard et peu coûteux en un outil potentiellement sauvage, pourraient transformer la prise de décision et le calcul des risques pour les patients et les chirurgiens.
Nous démontrons qu'un électrocardiogramme de base contient des informations pronostiques importantes non identifiables à l'œil nu. Nous ne pouvons l'extraire qu'avec des techniques d'apprentissage automatique. «
Robert D. Stevens, auteur principal, chef de la division d'informatique, d'intégration et d'innovation chez Johns Hopkins Medicine
Les résultats sont publiés aujourd'hui dans le Journal britannique de l'anesthésie.
Une partie substantielle des personnes développent des complications potentiellement mortelles après une chirurgie majeure. Les scores des risques invoqués par les médecins pour identifier qui est à risque de complications n'est exact que dans environ 60% des cas.
En espérant créer un moyen plus précis de prédire ces risques pour la santé, l'équipe Johns Hopkins s'est tournée vers l'électrocardiogramme (ECG), un test cardiaque pré-chirurgical standard largement obtenu avant une chirurgie majeure. C'est un moyen rapide et non invasif d'évaluer l'activité cardiaque par des signaux électriques, et il peut signaler une maladie cardiaque.
Mais les signaux de l'ECG reprennent également d'autres informations physiologiques plus subtiles, a déclaré Stevens, et l'équipe de Hopkins soupçonnait qu'ils pourraient trouver un trésor de riches données prédictives – si l'IA pourrait les aider à les voir.
« L'ECG contient beaucoup d'informations vraiment intéressantes non seulement sur le cœur mais sur le système cardiovasculaire », a déclaré Stevens. « L'inflammation, le système endocrinien, le métabolisme, les fluides, les électrolytes – tous ces facteurs façonnent la morphologie de l'ECG. Si nous pouvions obtenir un ensemble de données très important des résultats ECG et l'analyser avec un apprentissage en profondeur, nous avons estimé que nous pouvions obtenir des informations précieuses qui ne sont pas actuellement disponibles pour les cliniciens. »
L'équipe a analysé les données préopératoires de l'ECG de 37 000 patients qui ont subi une intervention chirurgicale au Beth Israel Deaconess Medical Center à Boston.
L'équipe a formé deux modèles d'IA pour identifier les patients susceptibles d'avoir une crise cardiaque, un accident vasculaire cérébral ou mourir dans les 30 jours suivant leur chirurgie. Un modèle a été formé sur des données ECG. L'autre, que l'équipe a appelé un modèle « Fusion », a combiné les informations ECG avec plus de détails dans les dossiers médicaux des patients tels que l'âge, le sexe et les conditions médicales existantes.
Le modèle ECG uniquement prédisait mieux les complications que les scores de risque actuels, mais le modèle de fusion était encore meilleur, capable de prédire quels patients souffriraient de complications post-chirurgicales avec une précision de 85%.
« Étonnant que nous puissions prendre ce diagnostic de routine, cette valeur de 10 secondes de données et prédire très bien si quelqu'un mourra après la chirurgie », a déclaré l'auteur principal Carl Harris, doctorant en génie biomédical. « Nous avons une constatation vraiment significative qui peut améliorer l'évaluation du risque chirurgical. »
L'équipe a également développé une méthode pour expliquer quelles fonctionnalités ECG pourraient être associées à une crise cardiaque ou à un accident vasculaire cérébral après une opération.
« Vous pouvez imaginer si vous subissez une chirurgie majeure, au lieu de simplement faire de votre ECG dans vos dossiers où personne ne le regardera, il est exécuté par un modèle et vous obtenez une évaluation des risques et pouvez parler avec votre médecin des risques et des avantages de la chirurgie », a déclaré Stevens. « C'est un pas transformateur dans la façon dont nous évaluons le risque pour les patients. »
Ensuite, l'équipe testera davantage le modèle sur les ensembles de données de plus de patients. Ils aimeraient également tester le modèle avec prospective avec les patients sur le point de subir une intervention chirurgicale.
L'équipe souhaite également déterminer quelles autres informations pourraient être extraites des résultats de l'ECG via l'IA.
Les auteurs, tous de Johns Hopkins Johns Hopkins School of Medicine et de la Whiting School of Engineering, incluent: Away Pimpalkar, Ataes Aggarwal, Jiyuan Yang, Xiaojian Chen, Samuel Schmidgall, Sampath Rapuri, Joseph L. Greenstein et Casey O. Taylor.
