Des scientifiques de l’Université Johns Hopkins ont développé un nouvel outil pour prédire quels patients souffrant d’une maladie cardiaque inflammatoire complexe sont à risque d’arrêt cardiaque soudain. Publié dans Avancées scientifiques, leur méthode est la première à combiner des modèles de cœurs de patients construits à partir de plusieurs images avec la puissance de l’apprentissage automatique.
« Cette nouvelle technologie personnalisée robuste a surpassé les mesures cliniques dans la prévision de l’arythmie future et pourrait transformer la gestion des patients atteints de sarcoïdose cardiaque », a déclaré Natalia Trayanova, auteure principale, professeure de génie biomédical à Johns Hopkins et codirectrice de l’Alliance for Cardiovascular Diagnostic and Treatment Innovation. (AVANCE).
Les médecins ne disposent actuellement pas de méthodes précises pour évaluer quels patients atteints de sarcoïdose carcérale, une affection provoquant une inflammation et des cicatrices pouvant déclencher des battements cardiaques irréguliers, sont susceptibles d’avoir une arythmie mortelle, ce qui signifie que certains patients ne survivent pas, tandis que d’autres subissent des traitements inutiles, interventions invasives. Une méta-analyse récente citée dans l’étude a révélé qu’environ seulement un tiers des patients CS reçoivent un traitement adéquat.
« Il existe un besoin clinique urgent de meilleurs outils prédictifs », a déclaré Trayanova, qui est également professeur à la Johns Hopkins School of Medicine. « Certains patients CS meurent, souvent dans la fleur de l’âge, tandis que d’autres ont un défibrillateur implanté inutilement et font souvent face aux complications, y compris les infections, le dysfonctionnement de l’appareil et les chocs inappropriés, sans en tirer de réel avantage. »
Dans leur étude, les chercheurs ont créé des modèles numériques tridimensionnels des cœurs de 45 patients CS traités à l’hôpital Johns Hopkins. Pour ce faire, ils ont adopté la nouvelle approche consistant à combiner les données de deux types de scintigraphies cardiaques : les IRM cardiaques à contraste amélioré, qui détectent la fibrose, ou les cicatrices, et les TEP, qui détectent l’inflammation.
« Ces modèles cardiaques personnalisés sont les premiers du genre à être créés avec des données provenant de plusieurs modalités d’imagerie », a déclaré Trayanova, dont le laboratoire a été le pionnier des techniques de modélisation mécaniste du cœur. « Les effets combinés de la fibrose et de l’inflammation n’ont jamais été représentés auparavant dans des modèles cardiaques. »
L’équipe a utilisé des simulations informatiques pour appliquer une série de signaux électriques à divers endroits dans chacun des modèles et a rassemblé des millions de points de données mesurant la réaction de chaque cœur.
« Nous avons rassemblé des données extrêmement dimensionnelles dans le but de comprendre comment diverses caractéristiques de la cicatrisation et de l’inflammation affectaient le rythme cardiaque », a déclaré Trayanova.
L’équipe a ensuite combiné les données des simulations mécaniques, ainsi que des données supplémentaires sur le patient et l’imagerie, pour développer et entraîner un algorithme permettant de prédire la probabilité d’arythmie conduisant à un arrêt cardiaque.
« Dans une maladie complexe telle que la CS, avec à la fois des cicatrices et une inflammation, l’apprentissage des résultats de la simulation mécaniste nous a permis de les relier aux résultats du monde réel », a déclaré Julie Shade, auteur principal de l’étude et doctorante en génie biomédical en Le laboratoire de Trayanova.
L’outil a nettement surpassé les mesures cliniques standard pour prédire l’arrêt cardiaque chez les patients CS.
Pour affiner l’algorithme, l’équipe a également mené un processus intensif de validation croisée, qui évalue si la même précision est obtenue lorsque différents sous-ensembles de données sont supprimés, suggérant comment l’outil peut fonctionner sur de futurs patients. Au total, l’équipe a effectué 560 itérations de validation croisée.
« Nous avons pu estimer la précision de l’outil pour les nouveaux patients avec une confiance de 95 %, ce qui signifie que nous étions relativement certains que l’algorithme ne serait pas biaisé par les données avec lesquelles il a été formé et qu’il serait donc précis lorsqu’il serait appliqué à de nouveaux patients. » dit Ombre.
Enfin, l’équipe a comparé ses simulations aux scans de lésions dans le cœur des patients qui avaient par la suite subi une procédure pour réinitialiser leurs battements cardiaques, constatant que leurs prédictions étaient cohérentes avec les résultats réels.
De grandes études cliniques seront nécessaires, mais l’équipe espère que leur outil pourrait transformer la gestion des patients atteints de CS, en réduisant le nombre d’implantations inutiles de défibrillateurs tout en garantissant la protection des patients à risque de mort cardiaque subite.
Selon Trayanova, l’utilisation synergique de modèles personnalisés et d’apprentissage automatique, qui n’a jamais été utilisé auparavant pour résoudre un problème de santé cardiovasculaire, pourrait également aider à résoudre l’un des plus grands défis de la mise en œuvre de l’intelligence artificielle dans les soins de santé : le manque de données.
« Pour atteindre la précision, les technologies de prédiction des maladies basées sur l’IA nécessitent généralement de grandes quantités de données provenant de différents groupes de patients », a déclaré Trayanova. Mais dans ce cas, la complexité des données des modèles cardiaques a rationalisé le processus d’apprentissage.
Parce que les modèles cardiaques incarnent des principes déterministes bien établis qui n’ont pas besoin d’être appris par l’algorithme, le prédicteur de risque peut atteindre d’excellentes performances sur de petites cohortes de patients. »
Natalia Trayanova, auteur principal
