La plupart des gens ont passé un électrocardiogramme à un moment ou à un autre. Cet examen est rapide, peu coûteux et largement disponible. Ce qu’il n’a jamais été capable de faire, jusqu’à présent, est de révéler l’état structurel des cavités supérieures du cœur avec une réelle précision. Une étude publiée dans Nature Communications décrit un modèle de deep learning qui change la donne, en utilisant des données d’ECG standard à 12 dérivations pour prédire la structure et la fonction de l’oreillette gauche, et pour signaler les individus présentant un risque élevé de fibrillation auriculaire, d’insuffisance cardiaque et d’AVC.
Le problème que le modèle a été conçu pour résoudre
L’oreillette gauche est une petite cavité qui joue un rôle disproportionné dans la santé cardiovasculaire. Lorsque sa structure se dégrade ou que sa fonction devient anormale, une affection que les chercheurs appellent la cardiopathie auriculaire, le risque d’événements graves en aval augmente considérablement. La fibrillation auriculaire en est la conséquence la plus directe, mais les complications vont plus loin : l’insuffisance cardiaque et l’AVC ischémique sont tous deux associés à ce type de détérioration auriculaire.
Le défi réside dans le dépistage. L’évaluation précise de la structure et de la fonction de l’oreillette gauche nécessite une imagerie cardiaque de haute qualité, généralement une imagerie par résonance magnétique (IRM) cardiaque. L’IRM cardiaque est coûteuse, n’est pas universellement accessible et est loin d’être systématique dans les soins cliniques courants. Cela crée un fossé : une proportion significative de personnes présentant une cardiopathie auriculaire en développement passe inaperçue jusqu’à ce qu’un événement plus grave survienne.
L’entraînement d’un modèle sur 21 749 examens
L’équipe de recherche, issue d’institutions telles que l’Université de Washington, l’Université du Minnesota, Johns Hopkins, l’Université Wake Forest et l’Université de Californie à San Francisco, a entraîné un modèle de deep learning sur un ensemble de données de 21 749 examens d’IRM cardiaque provenant de la UK Biobank, chacun étant associé à un ECG à 12 dérivations correspondant. Le modèle a appris à extraire des informations sur la structure et la fonction de l’oreillette gauche directement à partir du signal électrique de l’ECG, sans nécessiter d’imagerie.
Les mesures issues du modèle ont ensuite été testées par rapport aux résultats dans deux cohortes externes : la Cardiovascular Health Study et la Multi-Ethnic Study of Atherosclerosis. Dans les deux groupes, les mesures de cardiopathie auriculaire du modèle étaient fortement associées à l’apparition de fibrillation auriculaire, d’insuffisance cardiaque et d’AVC ischémique, même après prise en compte des facteurs de risque cliniques et des biomarqueurs établis.
Un chiffre de la source se démarque. Le risque d’AVC cardio-embolique, le type spécifique d’AVC le plus étroitement associé à la fibrillation auriculaire, augmente de 66 % par déviation standard du volume de l’oreillette gauche estimé par le modèle. Ce n’est pas un signal marginal. L’étude indique également que la performance prédictive du modèle était comparable, et dans certains cas supérieure, à celle obtenue par les mesures d’imagerie directe et les facteurs de risque cliniques standard.
Dans des analyses exploratoires, le modèle a surperformé à la fois un outil de prédiction du risque clinique dédié et les taux de NT-proBNP, un biomarqueur déjà utilisé en cardiologie, lorsqu’il s’agissait de détecter une fibrillation auriculaire identifiée par surveillance cardiaque.
Pourquoi cela compte au-delà du cabinet médical
Voici ce que la plupart des reportages sur l’IA en médecine ont tendance à sous-estimer : la valeur d’un tel modèle ne réside pas seulement dans sa précision. Elle réside dans son accessibilité. L’IRM cardiaque nécessite un équipement spécialisé, des techniciens formés et un coût important. Un ECG à 12 dérivations, en revanche, est disponible dans les cabinets de médecine générale, les centres de santé communautaires et les hôpitaux du monde entier, y compris dans des environnements où l’imagerie avancée est tout simplement hors d’atteinte.
Un modèle qui extrait des informations auriculaires cliniquement significatives à partir d’un test qui existe déjà dans le parcours de soins ne nécessite pas la construction de nouvelles infrastructures. Il complète ce que les cliniciens possèdent déjà. Un médecin prescrivant un ECG de routine pourrait, en principe, recevoir non seulement le tracé électrique standard, mais aussi un signal de risque de cardiopathie auriculaire, ce qui inciterait à une investigation ou à une surveillance plus précoce pour les patients qui resteraient autrement non détectés.
C’est la tendance générale que l’IA en médecine ne cesse de démontrer : les applications les plus durables ne sont pas celles qui remplacent les parcours diagnostiques existants, mais celles qui extraient davantage de signaux de données qui sont déjà collectées. L’ECG est un standard clinique depuis des décennies. L’information concernant la structure de l’oreillette gauche était toujours partiellement encodée dans ce signal. Le modèle rend cette information latente lisible.
Il y a des limites qui méritent d’être reconnues. L’étude est décrite comme une prépublication faisant l’objet de modifications supplémentaires avant sa publication finale, et les analyses exploratoires, y compris la comparaison avec les outils de risque clinique, sont préliminaires selon le propre cadre des auteurs. Une validation sur des populations plus vastes et plus diverses sera nécessaire avant que le déploiement clinique ne devienne la norme.
En bref
Un modèle de deep learning entraîné sur plus de 21 000 dossiers couplés d’ECG et d’IRM cardiaque peut prédire la structure et la fonction de l’oreillette gauche à partir d’un simple ECG standard à 12 dérivations. Ses estimations de risque pour la fibrillation auriculaire, l’insuffisance cardiaque et l’AVC cardio-embolique sont comparables ou supérieures à celles de l’imagerie directe. L’augmentation de 66 % du risque d’AVC cardio-embolique par déviation standard du volume estimé de l’oreillette gauche est le chiffre phare, mais le point le plus profond est structurel : cette approche transforme un test largement disponible et à faible coût en un outil de dépistage pour une affection qui passe actuellement inaperçue chez de nombreux patients parce que l’imagerie requise pour la trouver est hors de portée.
D’après un reportage de Nature: Machine Learning.