Les modèles d’IA sont prometteurs pour prédire les risques de maladies cardiaques, mais manquent de validation

Dans une revue récente publiée dans Médecine BMC, les scientifiques évaluent des modèles d’intelligence artificielle (AI-M) qui prédisent les risques de maladies cardiovasculaires (MCV) dans des populations générales et spécifiques, tout en développant également un score de validation indépendant (IVS) pour les AI-M.

Étude: L’intelligence artificielle dans les modèles de prédiction du risque de maladies cardiovasculaires et développement d’un outil de dépistage de validation indépendant : une revue systématique. Crédit d’image : Créations d’art de sommet/Shutterstock.com

Arrière-plan

La prévalence mondiale des maladies cardiovasculaires (MCV) augmente rapidement, ce qui a conduit au développement de plusieurs modèles de prédiction des maladies cardiovasculaires. Les modèles de prédiction des maladies cardiovasculaires comme Framingham et SCORE identifient les individus présentant un plus grand risque de développer des maladies cardiovasculaires afin de mettre en œuvre des mesures préventives au sein de la population vulnérable.

En informatique, l’application de l’IA, de l’apprentissage automatique (ML) et de l’apprentissage profond (DL) peut être utilisée pour développer des systèmes informatiques dotés d’une capacité de fonctionnement similaire à celle de l’intelligence humaine tout en effectuant une tâche complexe. Cette capacité de fonctionnement est associée aux capacités de raisonnement, d’apprentissage, de perception, de résolution de problèmes, de prise de décision et de compréhension du langage des humains.

Les AI-M sont de plus en plus utilisées dans le secteur de la santé pour prédire les risques de maladie. Cependant, cette application a été soumise à de multiples défis liés à la confidentialité des données, à la sécurité, à la transparence, à la légalité et aux préoccupations liées à l’éthique. Néanmoins, par rapport aux modèles traditionnels de prévision des risques, les AI-M sont associées à une plus grande précision, une plus grande capacité de traitement des données et moins de restrictions de traitement.

À propos de l’étude

Une extraction approfondie des données a été réalisée sur la base de prédicteurs, d’algorithmes, de biais et de population. Un outil permettant d’évaluer la réplicabilité et l’applicabilité des AI-M, ainsi que d’assurer la validation externe des AI-M, a été développé pour filtrer les AI-M.

Pour la revue actuelle, tous les articles pertinents ont été obtenus auprès d’Embase, Web of Science, PubMed et IEEE Library. L’outil d’évaluation du risque de biais (PROBAST) a également été utilisé.

Principales conclusions

Au total, 79 articles pertinents publiés entre 2017 et 2021 ont été obtenus, parmi lesquels 486 AI-M ont été identifiés. La plupart de ces études étaient liées au développement de nouveaux AI-M ; cependant, aucun des modèles n’a fait l’objet d’une validation externe indépendante.

Ainsi, les chercheurs en prévision des risques liés à l’IA semblent se concentrer davantage sur le développement de nouveaux modèles que sur la validation de modèles existants, ce qui est crucial pour les applications cliniques. Étant donné que les AI-M non validées entraîneraient la génération de nombreux modèles de prédiction inutiles, les chercheurs doivent se concentrer sur la validation des AI-M pour éviter de perdre du temps en recherche.

Un facteur clé qui restreint la mise en œuvre de la validation externe est l’utilisation de sources de données limitées pour le développement de modèles. Cependant, ce problème pourrait être résolu en utilisant des données provenant de bases de données multi-sources.

La plupart des modèles basés sur l’IA comme prédicteurs du risque de MCV ont été développés en Amérique du Nord et en Europe, dont très peu dans les pays d’Asie et d’Amérique du Sud, alors qu’aucun n’a été développé en Afrique. Étant donné que l’étendue des risques de maladies cardiovasculaires varie selon les ethnies, il est important de développer des AI-M axés sur des groupes ethniques spécifiques.

Les quatre variables les plus couramment utilisées dans les AI-M pour prédire le risque de maladie cardiovasculaire comprennent le cholestérol total, l’âge, le sexe et le tabagisme. Par rapport aux modèles traditionnels, les AI-M évaluent les données multimodales, y compris les informations supplémentaires liées aux gènes ou aux protéines et les données d’images. Les autres avantages des modèles d’IA incluent la ré-saisie et l’utilité des données.

De nombreuses études n’ont pas fourni d’informations de recherche importantes, ce qui a compromis la validation du modèle. À l’avenir, les études devront fournir un rapport transparent d’un modèle de prédiction multivariable pour l’énoncé de pronostic ou de diagnostic individuel (TRIPOD) lorsque le manuscrit est soumis.

Selon PROBAST, tous les modèles présentaient un risque élevé de biais, principalement en raison de l’utilisation inappropriée d’outils statistiques. L’analyse IVS a révélé que l’utilisation de seulement 10 modèles était « recommandée », tandis que les modèles restants étaient classés dans la catégorie « non recommandé » ou « avertissement ».

L’outil IVS a été développé pour sélectionner des modèles de validation externe indépendants. Ce système de notation évalue l’adéquation à une validation externe indépendante sur la base de la transparence, de l’évaluation des risques, des performances et de l’implication clinique.

L’IVS nouvellement développé a indiqué que la validation externe indépendante pourrait ne pas convenir à plus de 95 % des modèles, ce qui implique que ces modèles ne peuvent pas être utilisés en milieu clinique.

Conclusions

Bien que plusieurs AI-M pour les prédictions de maladies cardiovasculaires soient disponibles, peu d’études ont systématiquement analysé l’efficacité des modèles. L’examen actuel résume les AI-M pour les maladies cardiovasculaires et discute des défis actuels associés à leur utilisation.

L’étude actuelle a fourni des informations importantes sur les modèles d’IA utilisés pour les prévisions des risques de maladies cardiovasculaires, notamment le déséquilibre géographique, un risque élevé de biais, un faible taux d’atteinte des normes de qualité des rapports, un manque de validation externe indépendante et un système d’évaluation imparfait. Dans ce contexte, l’utilisation d’un outil IVS nouvellement développé pourrait aider à évaluer la réplicabilité des modèles.