Dans une étude récente publiée dans eMédecineClinique, les chercheurs ont développé, formé et testé trois modèles indépendants d’intelligence artificielle (IA) pour diagnostiquer la maladie cardiovasculaire athéroscléreuse (ASCVD). Chaque modèle a été développé pour évaluer une étape distincte de la voie ASCVD : calcémie coronarienne élevée (CAC), maladie coronarienne obstructive (MAC) et akinésie ventriculaire gauche régionale.
Les résultats mettent en évidence que chaque modèle est bien corrélé aux facteurs de risque cliniques connus d’ASCVD et à des performances globales élevées. Lorsqu’ils sont regroupés, ces modèles d’IA pourraient identifier les personnes à risque sur des périodes aussi brèves que trois ans, surpassant considérablement les outils de diagnostic actuels.
Sommaire
Diagnostics ASCVD et potentiel pour l’ECG-AI
La maladie cardiovasculaire athéroscléreuse (ASCVD) est l’une des maladies non transmissibles les plus répandues dans le monde et la principale cause de mortalité à l’échelle mondiale. On estime qu’elle est responsable d’environ 50 % de tous les décès dans les pays occidentalisés. On pense que l’ASCVD est causé par une combinaison de perturbations biochimiques du sang, notamment le cholestérol, le glucose, l’homocystéine et le fibrinogène.
Les meilleurs résultats cliniques de l’ASCVD impliquent la détection du risque de maladie et le lancement d’interventions thérapeutiques telles qu’un traitement hypolipidémiant. Cependant, ces interventions reposent sur une détection précoce des risques faisant appel à des outils de diagnostic coûteux et non routiniers, qui échappent à une grande partie de la population humaine.
Le diagnostic ASCVD conventionnel et fondé sur des preuves repose sur les évaluations des informations cliniques et démographiques d’un patient. Les plus populaires sont les équations de cohortes poolées (PCE) qui utilisent des données cliniques et démographiques pour fournir une évaluation du risque d’ASCVD sur 10 ans.
Malheureusement, l’ECP et d’autres estimateurs de risque conventionnels ont une approche généraliste, ce qui les rend sujets aux erreurs lorsqu’ils sont utilisés sur des individus présentant des facteurs de risque en dehors de leurs paramètres prédéfinis. Le score calcique des artères coronaires (CAC) a partiellement résolu cette limitation. Lorsqu’elle est utilisée en tandem avec les estimateurs de risque conventionnels, la reclassification CAC améliore considérablement la précision de l’estimateur. Étant donné que le CAC est encore un outil nouveau, il reste coûteux, non couvert par la plupart des régimes de soins de santé et sous-utilisé malgré une littérature abondante sur sa solide utilité clinique.
Le succès croissant des modèles d’intelligence artificielle (IA) dans la recherche scientifique clinique et non clinique a incité des études utilisant l’IA pour prédire l’ASCVD à l’aide de données d’électrocardiogramme (ECG-AI). Bien que limitées en nombre, ces études ont mis en évidence les bonnes performances de l’IA et sa capacité discriminatoire à évaluer quand un score CAC est requis ou quand il ne l’est pas.
La recherche a révélé que les modèles d’apprentissage automatique (ML) fournis avec l’ECG, le CAC et les facteurs de risque cliniques surpassent les analyses actuellement acceptées de chaque modalité évaluée indépendamment pour estimer le risque cardiovasculaire.
Ces résultats suggèrent que l’IA pourrait présenter une valeur inexploitée pour l’évaluation de la santé cardiovasculaire sans nécessiter d’équipement spécialisé ni de procédures cliniques coûteuses et invasives.
À propos de l’étude
Dans la présente étude, les chercheurs ont développé, formé et validé trois modèles d’IA indépendants, chacun ciblant une facette distincte du spectre de la maladie coronarienne (CAD). Les données pour les modèles ont été obtenues à partir d’une base de données de dossiers de santé électroniques numériques (DSE) anonymisée comprenant 7 116 209 patients sous traitement dans plus de 70 hôpitaux de la Mayo Clinic dans 5 États américains : Arizona, Iowa, Floride, Minnesota et Wisconsin.
Tous les patients de plus de 18 ans qui avaient enregistré au moins un ECG numérique de 10 s à 12 dérivations ont été inclus dans l’étude. Les modèles ont été formés pour évaluer respectivement les scores CAC, la coronaropathie obstructive et l’akinésie régionale du ventricule gauche (VG). Chaque modèle a utilisé 60 % des données disponibles pour la formation, 5 % pour la validation et 35 % pour les tests. Les ensembles de données ont été divisés au niveau du patient pour garantir l’intégrité des données.
Le calcul du risque d’ASCVD sur 10 ans a été effectué à l’aide de l’équation de cohorte poolée (PCE). Les variables d’analyse comprenaient les taux de lipoprotéines de haute densité, la pression artérielle systolique, le cholestérol total, le tabagisme, l’âge (au moment de l’ECG) et la race/origine ethnique. Le cas échéant, l’hypertension cliniquement diagnostiquée a également été incluse. Les données du DSE ont en outre été interrogées sur la mortalité, y compris sa cause sous-jacente.
Tous les modèles étaient des réseaux de neurones convolutifs (CNN) avec des choix d’architecture et de méthodes de formation issus de recherches antérieures ayant donné des résultats positifs. L’ensemble de données de validation (5 % du total des données patient) a été utilisé pour le réglage des hyperparamètres. Les données d’entrée du modèle comprenaient un signal ECG de 10 s avec 12 dérivations. Chaque sonde contient 5 000 échantillons (500 Hz).
« Chaque modèle est initialisé avec des poids pré-entraînés dérivés d’un modèle d’apprentissage auto-supervisé (SSL) formé indépendamment ; l’objectif de ce modèle SSL était d’apprendre une représentation contextuelle générique des ECG, et il a été formé sur un ensemble de données composé de 6 millions d’ECG ».
Les tests de performances du modèle utilisant l’ensemble de données de test à 35 % ont été effectués en utilisant une approche d’amorçage pour calculer les mesures de performances. Ces mesures comprenaient la sensibilité, la spécificité et la zone sous les caractéristiques de fonctionnement du récepteur (AUROC). Les rapports de taux, les tests du chi carré, les rapports de risque proportionnels D de Cohen et de Cox ont été utilisés pour les analyses statistiques du risque.
Résultats de l’étude
Les trois modèles présentent d’excellentes performances prédictives lorsqu’ils sont utilisés indépendamment. Le modèle de score CAC s’est avéré efficace pour discriminer les patients avec un CAC ≥ 300 et ceux sans calcification coronarienne avec un AUROC de 0,88, une sensibilité de 78,7 % et une spécificité de 81,6 %. Le modèle CAD obstructif a identifié les patients atteints de coronaropathie avec un AUROC de 0,85, une sensibilité de 70 % et une spécificité de 81,8 %. Le modèle d’akinésie régionale a atteint des mesures de performance de 0,94 (AUROC), 82,2 % (sensibilité) et 92,1 % (spécificité).
Les corrélations de ces modèles avec les facteurs de risque actuels d’ASCVD en laboratoire et en clinique étaient tout aussi élevées. Lorsque les trois modèles ont été regroupés en un seul modèle, le nouveau modèle a obtenu de meilleurs résultats que la somme de ses composants.
Nous avons constaté que les trois modèles, lorsqu’ils sont regroupés en un seul modèle, se combinent pour fournir des informations additionnelles à l’évaluation du risque cardiovasculaire basée sur le PCE standard d’un patient à l’aide d’un test ECG de routine et abordable. De manière plus frappante, l’ECG-AI a identifié des patients présentant un risque élevé d’événement coronarien aigu sur des périodes aussi courtes que 3 ans, même au sein de cohortes déjà stratifiées par risque d’ASCVD sur 10 ans ».
Ces gains de performances peuvent être dus aux interactions entre les réseaux neuronaux sous-jacents de chaque modèle, qui, une fois combinés, peuvent identifier des modèles complexes associés à la CAD via les seules données ECG, même pour les patients sans diagnostic préalable d’ASCVD. En comparant les résultats de l’ECG-AI avec la méthodologie de diagnostic PCE actuelle, il a également été démontré que les patients identifiés comme « à risque » par l’un des modèles d’IA présentaient un risque évalué par PCE significativement plus élevé, ce qui suggère que l’ECG-AI peut être utilisé comme complément dans le cadre clinique.
La capacité de l’ECG-AI à prédire le risque d’IM dans des délais aussi courts que 3 ans est particulièrement convaincante car elle peut inciter à une prise de décision plus agressive et collaborative pour diagnostiquer et traiter définitivement l’ASCVD à haut risque ».
Conclusions
Dans la présente étude, les chercheurs ont développé trois modèles d’IA indépendants, chacun ciblant une facette distincte du spectre ASCVD. Les modèles ont été formés pour utiliser uniquement les données ECG des patients afin de prédire le risque d’ASCVD. Tous les modèles ont montré d’excellentes performances et une fiabilité robuste lors des comparaisons avec les données du monde réel. Une fois regroupés, le modèle résultant était capable de prédire le risque d’ASCVD sur une période aussi courte que trois ans.
En résumé, ces données démontrent que l’ECG-AI a une valeur discriminante à plusieurs points du spectre des maladies coronariennes. L’ECG-AI développé pour identifier 1) les élévations du CAC, 2) la coronaropathie obstructive et 3) l’akinésie régionale du VG en tant que marqueur d’un éventuel IM antérieur sont complémentaires et identifient des profils de risque uniques. Les données suggèrent que l’ECG-IA conçu pour détecter la coronaropathie pourrait être en mesure de soutenir et d’éclairer la prise de décision clinique en ajoutant une autre dimension de données facilement accessibles au point d’intervention aux évaluations des risques d’ASCVD, permettant ainsi aux prestataires de titrer la force ou la vitesse de l’intervention ultérieure. par conséquent. »
