Des chercheurs de l'Université Queen Mary de Londres ont développé un outil d'IA qui crée des modèles synthétiques mais médicalement précis de tissu cardiaque fibrotique (cicatrices cardiaques), aidant la planification du traitement pour les patients de fibrillation auriculaire (AF). L'étude, publiée dans les frontières en médecine cardiovasculaire, pourrait entraîner des soins plus personnalisés pour les patients touchés par ce trouble du rythme cardiaque commun.
La fibrose fait référence au tissu cicatriciel qui se développe dans le cœur, souvent en raison du vieillissement, du stress à long terme ou de la condition AF elle-même. Ces parcelles de tissu fibreux raides perturbent le système électrique du cœur provoquant potentiellement la caractéristique de rythme cardiaque irrégulier de la FA. Actuellement évalué par des analyses d'IRM spécialisées (LGE-MRI), le modèle et la distribution de cette cicatrice influencent considérablement les résultats du traitement.
La fibrillation auriculaire est fréquemment traitée avec ablation – une procédure où les médecins créent de petites cicatrices contrôlées pour bloquer les signaux électriques erratiques. Cependant, les taux de réussite varient considérablement et prédisant quelle approche fonctionnera le mieux pour les patients individuels reste difficile. Alors que l'IA s'est révélée prometteuse dans la prévision des résultats, son développement a été entravé par un accès limité à des données d'imagerie de patients de haute qualité.
LGE-MRI fournit des informations vitales sur la fibrose cardiaque, mais obtenir suffisamment de scans pour une formation complète d'IA est difficile. Nous avons formé un modèle d'IA sur seulement 100 scans LGE-MRI réels des patients AF. Le système a ensuite généré 100 modèles de fibrose synthétique supplémentaires qui imitent avec précision les cicatrices cardiaques réelles. Ces modèles virtuels ont été utilisés pour simuler comment différentes stratégies d'ablation pourraient fonctionner à travers des anatomies variées des patients. »
Dr Alexander Zolotarev, premier auteur de la Queen Mary University of London
Le modèle de diffusion avancé de l'équipe a produit des distributions de fibrose synthétique qui correspondaient aux données réelles des patients avec une précision exceptionnelle. Lorsque ces modèles créés par AI ont été appliqués aux modèles cardiaques 3D et testés contre diverses approches d'ablation, les prédictions résultantes se sont révélées presque aussi fiables que celles utilisant de véritables données sur les patients. Surtout, cette méthode protège la confidentialité des patients tout en permettant aux chercheurs d'étudier une gamme beaucoup plus large de scénarios cardiaques que les méthodes conventionnelles le permettent.
La recherche met en évidence le rôle émergent de l'IA en tant qu'outil de soutien clinique plutôt que comme un décideur. « Il ne s'agit pas de remplacer le jugement des médecins », souligne le Dr Zolotarev. « Il s'agit de fournir aux cliniciens un simulateur sophistiqué – leur permettant de tester différentes approches de traitement sur un modèle numérique de la structure cardiaque unique de chaque patient avant d'effectuer la procédure réelle. »
Ce travail fait partie du projet de bourse des leaders UKRI Future Leaders du Dr Caroline Roney, qui vise à développer des modèles cardiaques jumeaux numériques pour les patients AF.
Le Dr Caroline Roney de Queen Mary University of London, auteur principal de l'étude, a déclaré: « Nous sommes très enthousiasmés par cette recherche car il relève le défi des données cliniques limitées pour les modèles de jumeaux numériques cardiaques. Notre développement clé permet des essais à grande échelle dans les essais au silico et la modélisation spécifique au patient visant à créer des traitements plus personnalisés pour les patients atteints de fibrillation auriculaire. »
La fibrillation auriculaire affectant 1,4 million de personnes au Royaume-Uni et l'échec de l'ablation dans la moitié des cas, la technologie pourrait réduire considérablement les procédures de répétition. Il est important de noter que l'approche de l'IA répond à deux défis critiques des soins de santé: la disponibilité limitée des données des patients et le besoin éthique de protéger les informations médicales sensibles.
