Un modèle ECG alimenté par l’IA prédit le risque de maladie cardiaque avec précision

Développée à partir de données provenant de divers groupes de patients, l'IA avancée d'AIRE prédit avec précision le risque de maladie cardiaque et la mortalité, offrant ainsi aux cliniciens des outils pour des soins aux patients plus ciblés et à long terme.

Étude : Électrocardiogramme basé sur l'intelligence artificielle pour l'estimation de la mortalité et du risque cardiovasculaire : une étude de développement et de validation de modèles. Crédit d’image : Shutterstock IA

Dans une étude récente publiée dans la revue La Lancetteles chercheurs ont développé et validé un nouveau modèle d'électrocardiographie (ECG) amélioré par l'intelligence artificielle (IA), capable d'exploiter les antécédents médicaux et les résultats d'imagerie des patients pour prédire avec précision la mortalité et le risque de maladie cardiovasculaire (MCV).

Bien qu'il ne s'agisse pas de la première tentative d'utilisation de l'IA dans la prévision des maladies et de la mortalité, cette mise en œuvre surmonte les limitations des modèles précédents en matière de temporalité, de plausibilité biologique et d'explicabilité, ce qui lui permet de générer des prédictions pouvant étayer des informations exploitables dans la pratique clinique.

Les résultats de l'étude ont révélé que le nouveau modèle (appelé « AIRE ») peut prédire avec précision la mortalité toutes causes confondues, l'arythmie ventriculaire, les maladies cardiovasculaires athéroscléreuses et le risque d'insuffisance cardiaque.

Il a surpassé les modèles d'IA conventionnels dans le calcul des estimations des risques à court et à long terme, fournissant aux cliniciens des informations sur les prédictions diagnostiques à court terme et ponctuelles et suggérant des interventions progressives à long terme pour le reste du soutien pharmacologique du patient.

Arrière-plan

Les électrocardiogrammes (ECG) sont des évaluations graphiques non invasives de l'activité électrique cardiovasculaire. La technique consiste à utiliser des électrodes externes stratégiquement placées à des endroits spécifiques sur la poitrine, les bras et les jambes des patients, fournissant ainsi aux cliniciens des représentations visuelles des signaux et des rythmes électriques du cœur.

Les ECG sont monnaie courante dans les évaluations cardiovasculaires et sont restés pratiquement inchangés sur le plan méthodologique depuis plus de 100 ans.

Les progrès récents dans les capacités de traitement informatique et l’avènement des modèles d’apprentissage automatique (ML) prédictifs de nouvelle génération ont suscité l’enthousiasme de la communauté des chercheurs.

Depuis 2020, une poignée d'études ont tenté d'utiliser des modèles d'intelligence artificielle (IA) entraînés par les données ECG pour fournir des prédictions sur le risque de maladie cardiovasculaire et de mortalité des patients, mettant en évidence les performances du modèle – dans presque toutes les mises en œuvre de l'IA dans la prévision des risques de maladie/mortalité, Les modèles d’IA atteignent des performances diagnostiques et prédictives comparables, voire supérieures, aux prédictions des experts humains.

Les modèles d’IA ont ainsi le potentiel de réduire la charge de travail des cliniciens (nombre d’individus déterminé géographiquement par nombre de médecins), en particulier dans les zones rurales et sous-développées, tout en accélérant la vitesse de diagnostic et en réduisant la charge financière des patients eux-mêmes.

Malheureusement, malgré leurs validations de sécurité et de performances basées sur des essais cliniques, les modèles ECG améliorés par l'IA sont rarement utilisés dans les applications ECG réelles.

« Les modèles de prévision de la mortalité existants sont limités à la prévision de la survie à un ou à un petit nombre de points temporels définis et ne fournissent pas d'informations sur des voies d'action spécifiques. Une prédiction de risque élevé n’est d’aucune utilité pour un clinicien si elle n’est accompagnée d’aucune information sur la manière d’améliorer la trajectoire de survie de son patient. Ainsi, rendre les prédictions AI-ECG plus exploitables nécessite de prendre en compte les prédictions du temps jusqu’à l’événement et les prédictions spécifiques pour les maladies avec des traitements préventifs et modificateurs de la maladie établis.

Du point de vue de la recherche, bien qu'elles soient précises, les mises en œuvre précédentes de l'IA fournissaient des explications insuffisantes sur les performances du modèle (une « boîte noire » informatique) et la plausibilité biologique, ce qui a amené les cliniciens à hésiter à faire confiance aux prédictions du modèle.

À propos de l'étude

Dans la présente étude, les chercheurs développent, entraînent et valident huit nouveaux modèles d'estimation du risque AI-ECG (AIRE) (collectivement appelés « plateforme AIRE ») visant à prédire le risque de mortalité (toutes causes confondues et cardiovasculaire) sans les limites de implémentations précédentes de l’IA.

Les données de l'étude ont été obtenues auprès de cinq sources géographiquement diverses recevant des soins cliniques qui se chevauchent peu. Il s'agit notamment de la cohorte du Beth Israel Deaconess Medical Center (BIDMC) (ensemble de données sur les soins secondaires aux patients), de la cohorte du Centre de recherche en médecine tropicale de São Paulo-Minas Gerais (SaMi-Trop) (ensemble de données sur la cardiomyopathie chronique de Chagas), de l'étude longitudinale sur la santé des adultes (ELSA -Brasil) (fonctionnaires) et la cohorte Royaume-Uni (UK) BioBank (UKB) (bénévoles). La cohorte des résultats cliniques en électrocardiographie numérique (CODE) a également été utilisée pour affiner les performances du modèle.

Le développement du modèle d'IA a été réalisé à l'aide de la cohorte BIDMC pour la dérivation du modèle. L'ensemble de données a été divisé au hasard en formation (50 %), validation (10 %) et 40 % pour les tests internes.

Les architectures de réseaux neuronaux convolutifs basées sur des blocs résiduels ont permis aux chercheurs d'incorporer une approche de survie en temps discret, créant des courbes de survie spécifiques au patient qui tiennent compte à la fois de la mortalité des participants et de la censure (incapacité de suivi).

Les améliorations du modèle associées aux données de la cohorte CODE impliquaient l'utilisation de 75 % de l'ensemble de données pour le réglage fin des paramètres du modèle, 5 % pour la validation généralisée (externe) et 20 % pour la validation interne des soins primaires.

De plus, cinq autres modèles axés sur les décès d'origine CV (décès AIRE-CV), les décès non-CV (décès AIRE-NCV), les maladies cardiovasculaires athéroscléreuses (AIRE-ASCVD), l'arythmie ventriculaire (AIRE-VA) et l'insuffisance cardiaque (AIRE- HF) ont été calculés à l’aide d’approches similaires.

Des analyses statistiques ont été utilisées pour mesurer les performances du modèle, en particulier par rapport aux perceptions des experts humains et à l'estimateur Stanford du risque ECG (SEER). Des modèles de Cox (ajustés en fonction des données démographiques, des données cliniques et des paramètres d'imagerie) et des courbes de Kaplan-Meier ont été utilisés pour calculer la précision du modèle différentiel. La plausibilité biologique a été expliquée à l'aide d'études d'association à l'échelle du phénomène (PheWAS) et d'études d'association à l'échelle du génome (GWAS) pour identifier les marqueurs cardiaques et métaboliques pertinents.

Résultats de l'étude

Les résultats des tests d'exclusion ont révélé qu'AIRE pouvait prédire la mortalité toutes causes confondues avec des valeurs de concordance = 0,775. Notamment, il a été observé que la plateforme surpasse les prédicteurs de facteurs de risque conventionnels (indice C cumulatif = 0,759) dans les prévisions holistiques (indice C AIRE Cox = 0,794) et de décès cardiovasculaires (indice C = 0,844), mettant en évidence la précision du modèle.

Notamment, AIRE était capable de prédire avec précision les événements d’insuffisance cardiaque chez les participants sans antécédents personnels ou familiaux de maladie cardiovasculaire, ce qui est particulièrement pertinent dans la mesure où les diagnostics conventionnels dans ces populations sont généralement retardés.

Il est encourageant de constater que les résultats d'AIRE sont restés robustes même lorsqu'ils ont été fournis avec des données ECG à dérivation unique (provenant d'appareils grand public ; les appareils ECG cliniques utilisent entre 8 et 12 dérivations), mettant en évidence l'application de la plateforme dans la surveillance des risques de MCV à domicile.

Les analyses PheWAS et GWAS ont révélé que le modèle fournissait une plausibilité biologique suffisante, expliquant que les mesures de pression pulmonaire de substitution et le diamètre ventriculaire étaient inversement corrélés à la survie prévue, tandis que la fraction d'éjection ventriculaire gauche (FEVG) démontrait une corrélation directe.

Conclusions

La présente étude développe et valide la plateforme d'évaluation ECG améliorée par l'IA la plus cliniquement pratique actuellement disponible – la plateforme AIRE.

Les résultats de l'étude ont révélé que la plateforme surpasse les prédictions humaines conventionnelles et les modèles d'IA similaires d'ancienne génération en termes de précision prédictive, sans que ces derniers aient besoin de données démographiques ou d'antécédents médicaux.

Notamment, le modèle est resté robuste même lorsqu'il a été fourni avec des données à fil unique provenant d'appareils grand public, soulignant le potentiel d'AIRE pour la surveillance à distance des patients, en particulier parmi ceux sans antécédents médicaux de maladies cardiovasculaires ou ceux vivant dans des zones éloignées sans soutien clinique adéquat.

«… la plateforme AIRE est une plateforme d'estimation des risques AI-ECG exploitable, explicable et biologiquement plausible qui a le potentiel d'être utilisée dans le monde entier dans un large éventail de contextes cliniques, y compris les soins primaires et secondaires, pour les risques à court et à long terme. prédiction au niveau de la population et de la maladie.