Un exemple d'application du modèle de prédiction AF. La figure illustre les résultats possibles du modèle de prédiction de la FA lorsque la FA n'est pas détectée : il peut prédire un risque faible ou élevé de développement futur de la FA. Dans la deuxième partie de la figure, nous présentons un exemple d'application potentielle. Il a été conseillé à Alice de porter un patch ECG pour surveiller une FA potentielle, et bien qu'aucune FA n'ait été détectée, le modèle a prédit un risque élevé de FA. Par conséquent, on lui a conseillé de porter un deuxième patch ECG, qui a finalement détecté la FA, lui permettant ainsi de discuter du traitement approprié avec son clinicien. Crédit: npj Médecine Numérique (2023). DOI : 10.1038/s41746-023-00966-w
Un nouveau modèle d'intelligence artificielle (IA) conçu par les scientifiques de Scripps Research pourrait aider les cliniciens à mieux dépister la fibrillation auriculaire (ou AFib) chez les patients, un rythme cardiaque irrégulier et rapide associé aux accidents vasculaires cérébraux et à l'insuffisance cardiaque. Le modèle détecte de minuscules variations dans le rythme cardiaque normal d'une personne qui signifient un risque de fibrillation auriculaire, que les tests de dépistage standard ne peuvent pas détecter.
Les résultats, décrits dans la revue npj Médecine Numérique le 12 décembre 2023, a utilisé les données de près d'un demi-million de personnes qui avaient chacune porté un patch d'électrocardiogramme (ECG) pour enregistrer leur rythme cardiaque pendant deux semaines – un test de dépistage de routine de la fibrillation auriculaire et d'autres maladies cardiaques.
Un modèle d’IA a ensuite analysé ces données pour trouver des modèles, autres que l’AFib lui-même, qui distinguaient les personnes atteintes d’AFib de celles qui n’en souffraient pas. Ce nouveau modèle a le potentiel de mieux détecter les personnes à risque de fibrillation auriculaire et, à terme, de prévenir les effets secondaires graves de cette maladie cardiaque, notamment les accidents vasculaires cérébraux et l'insuffisance cardiaque.
“Grâce à ce nouvel outil, nous pouvons mieux identifier les patients présentant un risque élevé de fibrillation auriculaire pour des tests et interventions supplémentaires”, déclare l'auteur principal Giorgio Quer, Ph.D., directeur de l'intelligence artificielle au Scripps Research Translational Institute et professeur adjoint de médecine numérique. à Scripps Research. “À long terme, cela peut aider à diriger les bonnes ressources vers les bonnes personnes et potentiellement réduire l'incidence des accidents vasculaires cérébraux et de l'insuffisance cardiaque.”
Le rythme cardiaque irrégulier dû à la fibrillation auriculaire peut provoquer une accumulation de sang dans le cœur et former des caillots sanguins, qui peuvent ensuite contribuer aux accidents vasculaires cérébraux. L'AFib est également associée à un risque accru d'insuffisance cardiaque ou de décès. Pour prévenir ces complications chez les personnes atteintes de fibrillation auriculaire connue, les cliniciens prescrivent souvent des anticoagulants (des médicaments qui préviennent la formation de caillots sanguins), ainsi que d'autres modes de vie et thérapies médicales. Cependant, le diagnostic de fibrillation auriculaire peut être délicat, car de nombreuses personnes atteintes de cette maladie ne présentent que des accès occasionnels de rythme cardiaque irrégulier ou peu de symptômes.
Chez certaines personnes, la fibrillation auriculaire provoque des palpitations cardiaques, des étourdissements, un essoufflement et des douleurs thoraciques. Pour les patients présentant ces symptômes, les cardiologues enregistrent généralement les rythmes cardiaques pendant une dizaine de secondes dans leur cabinet à l'aide d'un ECG très détaillé comprenant dix électrodes placées sur le corps.
Si rien ne semble anormal, ils recommandent une surveillance continue à domicile pendant une ou deux semaines avec un patch ECG portable plus simple, doté d'une seule électrode. Mais même sur une période de deux semaines, les personnes souffrant de fibrillation auriculaire très occasionnelle peuvent ne pas avoir d'épisode capté par cet appareil.
C'est pourquoi Quer, en collaboration avec iRhythm Technologies (le fabricant d'un patch d'électrocardiogramme portable appelé ZioXT), a entrepris de trouver d'autres modèles dans les données ECG des personnes atteintes de fibrillation auriculaire.
“Nous pensons que l'activité électrique du cœur est légèrement différente chez les personnes atteintes de fibrillation auriculaire, mais les différences sont si subtiles que les cardiologues ne peuvent pas consulter un imprimé des rythmes cardiaques et identifier ces différences”, explique Quer.
L'équipe a développé un modèle d'apprentissage automatique pour analyser les données recueillies par iRhythm sur 459 889 personnes qui ont porté le patch ECG à domicile de l'entreprise pendant deux semaines. Pour chaque ECG, le modèle a utilisé une journée de données ne contenant aucune fibrillation auriculaire. Cependant, il a pu distinguer les personnes qui ont eu plus tard une fibrillation auriculaire de celles qui n'en ont pas eu.
Même lorsque les chercheurs ont intégré tous les facteurs de risque connus de fibrillation auriculaire dans leurs propres modèles manuels, y compris les données démographiques et les mesures ECG telles que la variabilité entre les différents battements cardiaques, le modèle d'apprentissage automatique était plus précis pour prédire le risque de fibrillation auriculaire.
“Il y avait un écart entre ce que nous pouvions réaliser avec n'importe quelle fonctionnalité ECG connue et ce que le modèle pouvait réaliser”, explique Matteo Gadaleta, Ph.D., collaborateur scientifique professionnel au Translational Institute et premier auteur de l'article. “C'était nettement mieux.”
Il est important de noter que le modèle est resté précis à la fois pour une population plus âgée, qui présente un risque plus élevé de fibrillation auriculaire, et pour les personnes de moins de 55 ans, qui courent un risque beaucoup plus faible et sont généralement exclues du dépistage général de la fibrillation auriculaire.
Bien que le modèle ne soit pas destiné au diagnostic de la fibrillation auriculaire, il constitue une première étape vers la conception d'un test de dépistage pour les personnes présentant un risque accru de fibrillation auriculaire ou présentant des symptômes. De cette façon, ils pourraient porter un patch ECG pendant une seule journée pour déterminer si des tests plus longs sont recommandés. Alternativement, le modèle pourrait analyser les données ECG sur une ou deux semaines pour identifier les patients qui, même sans fibrillation auriculaire pendant cette période, devraient subir un nouveau test.
“Les patients présentant des épisodes fréquents de fibrillation auriculaire peuvent être facilement identifiés grâce à un ECG enregistré sur au moins une semaine”, explique Quer. “Mais ce modèle d'IA pourrait vraiment aider les personnes qui ont des épisodes de fibrillation auriculaire très peu fréquents, mais qui pourraient néanmoins bénéficier d'un diagnostic et d'une intervention.”
Quer et ses collègues espèrent planifier une étude prospective et intégrer d'autres sources de données, telles que les dossiers médicaux électroniques, dans leurs modèles pour les améliorer encore davantage.
Plus d'information:
Matteo Gadaleta et al, Prédiction de la fibrillation auriculaire à partir de signaux ECG à dérivation unique à domicile sans arythmies, npj Médecine Numérique (2023). DOI : 10.1038/s41746-023-00966-w
Fourni par le Scripps Research Institute
Citation: Un nouvel algorithme basé sur l'IA pourrait mieux évaluer le risque de maladie cardiaque courante (12 décembre 2023) récupéré le 12 décembre 2023 sur
Ce document est soumis au droit d'auteur. En dehors de toute utilisation équitable à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
