Dans une étude récente publiée dans Recherche sur l’hypertension, les chercheurs ont examiné les progrès récents dans les applications de l’intelligence artificielle (IA) pour traiter l’hypertension (HTN) et ses comorbidités.
Étude: Développements récents dans les méthodes de modélisation d’apprentissage automatique pour le traitement de l’hypertension. Crédit d’image : chayanuphol/Shutterstock.com
Sommaire
Arrière-plan
Ils résument plus de 35 études et révèlent que les progrès récents dans la surveillance de la pression artérielle (TA) à domicile et l’intégration accrue de diverses sources de données pourraient conduire au développement de solutions d’apprentissage automatique personnalisées pour l’évaluation, le diagnostic et le traitement des risques de HTN.
Ils explorent en outre les défis actuels rencontrés dans le domaine et suggèrent des mises en œuvre accrues de collaborations interdisciplinaires entre les experts en IA, les prestataires de soins de santé et les cliniciens comme voie à suivre pour une application accrue de l’IA dans les soins HTN.
Pourquoi avons-nous besoin de l’IA pour les soins HTN ?
L’hypertension (HTN) est une affection courante caractérisée par une pression artérielle élevée (> 140/90 mmHg). Le cœur des patients doit travailler beaucoup plus fort que la normale pendant cette maladie pour assurer un flux sanguin adéquat vers différentes caractéristiques somatiques.
Bien qu’elle mette rarement la vie en danger à elle seule, la HTN, surtout si elle n’est pas traitée, est associée à une multitude de comorbidités cardiovasculaires, notamment les maladies cardiaques et les accidents vasculaires cérébraux.
Malheureusement, l’HTN est généralement une maladie silencieuse, ne présentant pratiquement aucun symptôme visible de l’extérieur. Bien que près de 50 % des adultes vivent avec cette maladie, 30 % ou plus ignorent l’existence de la maladie, ce qui pose de graves problèmes de diagnostic et de prise en charge.
Ces dernières années, les progrès de la puissance de calcul et l’afflux de l’intelligence artificielle (IA) dans la recherche médicale ont freiné une croissance significative dans ce domaine, les partisans de l’IA suggérant que les modèles d’apprentissage automatique (ML) peuvent réduire le fardeau de la disponibilité limitée des soins cardiovasculaires. experts en prenant la tête de l’évaluation et du diagnostic des risques HTN.
Plusieurs avancées cruciales ont ouvert la voie à l’afflux de modèles ML dans la recherche HTN, notamment l’intégration récente et approfondie de sources de données jusqu’ici distinctes – les dossiers de santé électroniques, les données environnementales et les dossiers de santé personnalisés, traditionnellement analysés séparément, ont fourni aux modèles ML les matières premières nécessaires pour révéler des modèles spécifiques à la population et à l’individu dans la pathologie HTN.
Il convient de noter la prolifération croissante des montres intelligentes et autres enregistreurs de données portables qui, bien que moins précis que les outils cliniques, fournissent des données constantes et à haute densité sur tout au long de la vie et d’autres paramètres vitaux, notamment la fréquence cardiaque, les niveaux d’activité physique et la tension artérielle ( BP).
Enfin, les modèles d’apprentissage en profondeur, une avancée significative par rapport aux modèles d’IA traditionnels, ont permis aux chercheurs d’atteindre une précision sans précédent dans les diagnostics HTN et BP en capturant des modèles complexes dans des données interdisciplinaires.
Cela a abouti à une personnalisation accrue de ces approches, bénéficiant potentiellement aux patients en adaptant les interventions cliniques à leurs besoins spécifiques au lieu de l’approche « taille unique ».
À propos de l’étude
Dans la présente étude, les chercheurs ont résumé plus de 35 publications récentes sur les applications de l’IA dans l’évaluation, le diagnostic et le traitement des risques de HTN. L’étude se concentre sur les méthodes de modélisation utilisant des données de pression artérielle à domicile à haute densité et sur la recherche donnant la priorité à l’explicabilité pour un traitement personnalisé.
« La pression artérielle à domicile est fortement associée au développement de maladies cardiovasculaires et constitue l’indice le plus important pour la gestion des HTN »
Big data – avancées dans les mesures de pression artérielle et leur rôle dans le développement de l’IA
Classiquement, les patients HTN enregistraient au moins deux lectures de pression artérielle (généralement le matin et le soir), qui étaient notées dans un « journal de pression artérielle » pour une évaluation ultérieure par un clinicien.
La réduction de la taille des appareils de mesure de la pression artérielle et la popularité croissante des appareils portables (par exemple, les montres intelligentes) avec mesure intégrée de la pression artérielle ont abouti à l’avènement de la numérisation des données et à l’avènement du Big Data.
De nombreuses études récentes ont mis en évidence les avantages des appareils portables et des applications pour smartphones dans l’assistance au traitement de la tension artérielle.
Ces approches sont cependant confrontées à un défi de taille : la validation de l’exactitude. Malgré les recherches de Fleischhauer et al. et Tan et coll. développant de nouvelles méthodologies de mesure, notamment la photopléthysmographie (PPG) et l’apprentissage profond, pour améliorer la précision des appareils portables (taux d’erreur moyens <7 mmHg), ces méthodologies restent nouvelles et manquent de validation clinique.
La Société européenne d’hypertension (ESH) est allée jusqu’à valider les tensiomètres sans brassard séparément de leurs homologues avec brassard conventionnel.
« Actuellement, les tensiomètres sans brassard ne sont pas destinés à remplacer les tensiomètres traditionnels utilisant un brassard. Une validation plus approfondie des performances de l’appareil en tant qu’appareil de mesure ainsi que de son efficacité clinique est nécessaire pour clarifier sa position clinique. »
Malgré ce défi, les moniteurs de pression artérielle sans brassard ont fourni un vaste ensemble de données numériques pour la formation et l’amélioration des modèles d’IA. Les combinaisons de données de tension artérielle enregistrées en continu avec des valeurs de tests hospitaliers, des dossiers de santé et des données démographiques facilement disponibles ont abouti au développement d’analyses de « séries chronologiques » capables de prédire le risque de HTN des mois, voire des années avant l’apparition de la maladie.
« Si les IA peuvent prédire les valeurs futures de la pression artérielle sur la base des tendances passées de la pression artérielle, les médecins sauront à un stade précoce quand les niveaux de pression artérielle dépassent les critères HTN. Li et al. ont développé une IA qui prédit séquentiellement les valeurs moyennes de la pression artérielle chaque mois pendant trois mois en utilisant la pression artérielle, IMC, sexe, âge, latitude et longitude »
Traitement HTN personnalisé – l’avantage de l’IA
L’un des arguments les plus solides contre l’utilisation de l’IA dans la recherche médicale était le manque d’exactitude et d’explicabilité de l’IA.
Les publications de LIME (2016) et SHAP (2017) ont surmonté ces arguments en introduisant le concept d’« explication locale », supprimant ainsi la généralisation comme exigence d’explicabilité.
Ce concept, encourageant mais non intentionnel, a inauguré l’ère des soins aux patients personnalisés et guidés par l’IA, dans lesquels les données personnelles sont utilisées pour éclairer les interventions cliniques à la place des approches médicales « universelles » du passé.
« En particulier, pour la médecine personnalisée visant à la prévention préventive des maladies, il est essentiel d’encourager les modifications du mode de vie en réponse aux premiers signes de maladie. En conséquence, il est prévu que d’autres méthodes XAI et systèmes complets utilisant des modèles d’apprentissage automatique soient mis en œuvre en plus de technologies telles que SHAP.
Les explications contrefactuelles et les attentes conditionnelles individuelles (ICE) sont deux nouveaux concepts qui conduisent à des soins de santé prédictifs personnalisés. Lorsque les paramètres corporels actuels d’un patient suggèrent un risque futur de HTN ou d’une maladie similaire, ces concepts permettent à l’IA de simuler les facteurs et les modifications comportementales nécessaires pour réduire ou atténuer ledit risque.
Un défi actuel dans ces approches est celui de la faisabilité des modifications. Ce n’est pas parce qu’un ensemble de modifications peuvent réduire le risque de HTN que le patient peut facilement réaliser ces changements de style de vie « optimaux » (il est peu probable qu’un patient qui utilise un fauteuil roulant puisse courir 10 km par jour pour améliorer son évaluation du risque de HTN).
L’intégration future des technologies SHAP avec les ICE et d’autres techniques d’IA pourrait permettre le développement d’interventions d’IA guidées qui fournissent des recommandations éclairées par les dossiers de santé et la routine quotidienne du patient, permettant ainsi de petites modifications cumulatives avec des effets synergiques contre le HTN.
Conclusions
La présente étude résume les progrès, les défis et les orientations futures de l’application de l’IA dans l’évaluation des risques HTN, le traitement personnalisé et le diagnostic.
L’IA a le potentiel d’aider, voire de remplacer les médecins humains dans certains de ces domaines, mais elle est confrontée à une limitation notable en termes de nouveauté et de manque de validation clinique.
Néanmoins, des modèles d’apprentissage profond sont de plus en plus développés pour améliorer le bien-être des patients, alimentés par les sorties numériques toujours croissantes des appareils intelligents et des appareils portables qui enregistrent les données des patients en temps réel d’une manière jamais vue auparavant.
Grâce à des études ciblées visant à surmonter les limites actuelles en matière de précision des mesures, un avenir dans lequel nos montres intelligentes et nos smartphones suggèrent des changements de mode de vie visant à améliorer notre santé globale est plus proche que jamais.
