Les analyses basées sur l'IA mesurant la graisse cardiaque pourraient mieux prédire le risque cardiovasculaire

L'étude a suivi près de 12 000 adultes ayant subi des analyses CAC pendant environ 16 ans pour suivre le développement d'une maladie cardiovasculaire. Les chercheurs ont utilisé l'IA pour analyser les analyses des participants et mesurer la graisse entourant le cœur.

Ils ont comparé la valeur prédictive de cette mesure avec et en combinaison avec deux approches standard d'évaluation des risques.

Cela comprenait l'American Heart Association (AHA) Équation PRÉVENIRqui intègre des facteurs tels que l'âge, le sexe, la tension artérielle, le cholestérol et le diabète, ainsi que le score de calcium de l'artère coronairequi mesure la plaque calcifiée dans les artères coronaires.

L'auteur principal de l'étude, Francisco Lopez-Jimenez, MD, MSc, MBA, cardiologue préventif et codirecteur du programme AI in Cardiology à la Mayo Clinic, a déclaré Actualités médicales aujourd'hui:

« La découverte la plus cliniquement importante de notre étude est que le volume de graisse péricardique dérivé de l'IA peut servir d'outil complémentaire en cardiologie préventive pour aider les médecins à mieux stratifier les risques des patients qui entrent dans des catégories incertaines ou de « zone grise ».

« Les outils actuels de prévision des risques classent une proportion significative de patients comme étant à risque limite ou intermédiaire ; notre étude montre que ce biomarqueur automatisé peut identifier les individus à risque plus élevé au sein de ces catégories qui peuvent bénéficier de traitements et d'interventions préventifs plus précoces ou plus agressifs », a noté Lopez-Jimenez.

« Et surtout, cela ne nécessitera aucune imagerie supplémentaire au-delà de ce qui est déjà fait pour les patients », a-t-il ajouté.

Les résultats suggèrent notamment que le volume de graisse péricardique peut être utilisé indépendamment pour prédire les événements cardiovasculaires.

Il est important de noter que le volume de graisse cardiaque reste un facteur prédictif de risque, même après avoir pris en compte les facteurs traditionnels tels que l'âge, la tension artérielle, le cholestérol et le diabète.

Cette mesure a également amélioré la précision des prévisions lorsqu’elle est combinée aux modèles de risque existants. Le bénéfice était particulièrement notable chez les personnes considérées comme présentant un risque faible ou intermédiaire.

« La contribution de la graisse péricardique à la prévision des résultats cardiovasculaires a déjà été démontrée dans plusieurs autres études », a déclaré Zahra Esmaeili, MD, premier auteur et chercheur au département de médecine cardiovasculaire de la clinique Mayo.

« Cependant, ce qui nous a semblé remarquable, c'est que ce biomarqueur peut ajouter des valeurs supplémentaires aux facteurs de risque traditionnels et au score de calcium coronarien, et au-delà des outils d'évaluation des risques actuels », a noté Esmaeili.

« Plus précisément, un volume de graisse péricardique plus élevé a apporté une valeur accrue chez les patients à risque limite et intermédiaire et a montré un risque 24 % plus élevé chez les individus ayant un faible taux de calcium coronarien », a-t-elle ajouté.

La graisse péricardique est reconnue depuis longtemps comme un marqueur de risque cardiovasculaire. On pense que ce type de graisse joue un rôle actif dans les maladies cardiaques par le biais de processus inflammatoires et métaboliques pouvant affecter les artères coronaires voisines.

Par exemple, des recherches soulignent que la graisse péricardique peut augmenter considérablement le risque d’insuffisance cardiaque et est également liée à des risques plus élevés de maladie coronarienne et de dysfonctionnement du myocarde.

Cependant, la mesure de la graisse péricardique n’est pas courante dans la pratique clinique, car sa mesure manuelle prend du temps et n’est pas pratique.

Par conséquent, l’IA peut permettre cette mesure en proposant une analyse automatisée, rapide et cohérente des données d’imagerie.

« La graisse péricardique est visible sur les analyses de routine du calcium de l'artère coronaire, mais la mesurer manuellement pour chaque patient prend du temps et est sujette à une variabilité en fonction de la personne qui effectue la mesure », a expliqué Lopez-Jimenez.

« Notre modèle d'IA a été formé sur un ensemble d'images annotées manuellement, et il a appris à identifier et segmenter automatiquement ce dépôt de graisse avec une grande précision ; puis il fournit le volume des parties segmentées des images », a-t-il ajouté.

Les cliniciens estiment actuellement le risque cardiovasculaire à l’aide de modèles établis, tels que l’équation PREVENT, ainsi que des scores CAC.

Cependant, même si ces approches sont mieux calibré que les méthodes précédentes, elles réduisent les estimations de risque et reclasser de nombreux patients borderline. En tant que tels, ils peuvent être moins précis sur le plan clinique pour les personnes appartenant aux catégories à risque intermédiaire, ce qui pourrait entraîner des changements dans les décisions de traitement.

Les chercheurs suggèrent une amélioration significative de la prévision des risques à long terme en combinant les mesures de graisse cardiaque dérivées de l'IA avec les outils traditionnels. Cela peut aider les cliniciens à prendre une décision plus éclairée quant au moment de commencer les traitements préventifs.

« Les groupes les plus susceptibles d'en bénéficier sont ceux qui se situent dans les catégories de risque PREVENT limite et intermédiaire, où la décision d'initier ou d'intensifier un traitement préventif est plus incertaine », a déclaré Esmaeili. MNT.

« De même, les patients présentant des scores de calcium coronarien nuls ou faibles peuvent présenter un risque cardiométabolique résiduel que le volume de graisse péricardique peut aider à découvrir », a-t-elle déclaré. « De plus, nos analyses ont montré qu'une graisse péricardique plus élevée est un pronostic d'événements cardiovasculaires chez les patients ayant un indice de masse corporelle normal, ce qui met en évidence l'importance de l'adiposité viscérale chez les individus de poids normal. »

« Dans tous les cas, cet outil ne remplace pas les évaluations existantes ; mais il fournit un ensemble de nouvelles informations qui pourraient potentiellement conduire à un traitement plus précoce par statines, à des interventions sur le mode de vie ou à un suivi plus étroit pour les patients qui autrement ne recevraient pas de tels soins préventifs. »
– Zahra Esmaeili, MD

Bien que ces résultats s’ajoutent à un nombre croissant de recherches montrant comment l’IA pourrait améliorer l’évaluation et la détection du risque cardiovasculaire, d’autres études sont encore nécessaires pour déterminer la meilleure façon d’intégrer les mesures péricardiques dérivées de l’IA dans la pratique clinique de routine.