Cette semaine, à Lisbonne, avait lieu l’International Conference on Nuclear Cardiology and Cardiac CT (ICNC), une initiative conjointe de la Société Américaine de Cardiologie Nucléaire (ASNC), de l’Association Européenne d’Imagerie Cardiovasculaire (EACVI; issue de la Société Européenne de Cardiologie [ESC]), et de l’Association Européenne de Médecine Nucléaire.

Sur deux jours et demi et à travers une trentaine de sessions, plus de 600 cliniciens et scientifiques ont échangé sur les dernières actualités en matière d’imagerie cardiaque.

La grande star de la conférence ? L’intelligence artificielle, sans aucun doute ! Que ce soit pour sélectionner le bon traitement pour le bon patient, prévenir des tests inutiles, établir des modèles prédictifs, diagnostiquer en étant moins invasif ou améliorer la qualité des images, l’IA permet d’optimiser les dépenses de santé, le temps des praticiens et des patients, mais surtout… de sauver des vies.

Sauver des vies : l’IA comme outil prédictif du risque de la survenue d’une crise cardiaque ou du décès

L’ abstract « Refining the long-term prognostic value of hybrid PET/CT through machine learning » mettait en lumière l’utilité de l’IA lors des Prix remis aux jeunes chercheurs.

Un algorithme y était présenté : le fruit d’analyses et d’apprentissages répétés de 85 variables chez 950 patients préalablement suivis sur 6 ans. En apprenant les données liées à la mortalité et la morbidité, l’IA développée (LogitBoost) a pu corréler les profils patients avec les données d’imagerie et ainsi, identifier des modèles prédictifs du décès ou de la survenue d’accidents cardiaques, avec une précision supérieure à 90%.

Luis Eduardo Juarez-Orozco, premier auteur de l’étude, du PET Centre de Turku, en Finlande, a déclaré : « Ces progrès vont bien au-delà de ce qui a été fait à date, car en médecine nous devons faire attention à la manière dont nous évaluons le risque et les résultats. Nous avons les données, mais nous ne les utilisons pas encore à leur juste potentiel. »

En effet, à l’ère de la médecine basée sur les preuves (i.e. evidence-based medicine), les cliniciens utilisent les scores de risque comme base des décisions thérapeutiques. Mais ces scores ne sont fondés que sur une poignée de variables, et n’amènent qu’une précision modeste face à la grande variabilité interindividuelle des profils patients. C’est là que l’outil technologique de l’IA, à travers sa capacité d’analyse fine peut apporter sa contribution : l’analyse des répétitions, d’un grand nombre de critères et les ajustements incrémentaux exploitent de manière robuste de grandes quantités de données afin d’identifier des modèles complexes, dépassant l’intelligence humaine.

L’étude comprenait 950 patients souffrant de douleurs à la poitrine et qui suivaient le protocole habituel du centre pour rechercher une maladie coronarienne. Une angiographie coronarienne par tomographie assistée par ordinateur (CCTA) était réalisée sur la base de 58 critères discriminants de la présence de plaque coronarienne, de sténose et de calcifications. Les patients dont l’imagerie décelait une pathologie coronarienne recevaient également un PET-scan, afin d’obtenir les données sur 17 variables du débit sanguin du système coronarien. Enfin, 10 variables cliniques ont été collectées à partir des dossiers médicaux, dont le sexe, l’âge, la consommation de tabac et la comorbidité diabétique.

Lors du suivi moyen sur 6 ans, 24 crises cardiaques et 49 décès de toutes causes ont été rapportés. LogitBoost a analysé ces dossiers, à travers un apprentissage progressif, jusqu’à trouver la meilleure structure prédictive de ces événements. Un score individuel est ainsi généré.

En modélisation prédictive, on utilise les aires sous-courbes (AUC) pour évaluer les résultats, où 1,0 est un test parfait et 0,5 est un résultat aléatoire. Dans cette étude, les 10 variables cliniques seules (proches de l’analyse humaine) généraient une AUC très modeste de 0,65, quand l’algorithme générait une AUC de 0,82 (précision 90%) en compilant résultats cliniques/PET et CCTA.

Au total, c’est donc 85 variables que l’IA a pu apprendre et analyser pour obtenir les modèles prédictifs revêtant ce niveau de précision impressionnant de 90%. Cette haute précision est précieuse, car elle permet d’anticiper les risques individuels, et de personnaliser le traitement. L’individualisation de la prise en charge en cardiologie interventionnelle est fondamentale et le sujet de beaucoup de discussions des sociétés savantes responsables de l’élaboration des recommandations de prise en charge. Nul doute que cet algorithme ne va pas en rester là, car la traduction de cette stratification du risque en bénéfices cliniques pour les patients n’a rien d’artificiel…

Optimiser les dépenses de santé : l’IA pour identifier les patients insuffisants cardiaques devant recevoir un traitement coûteux

[Machine learning model for predicting sudden cardiac death and heart failure death using 123I-metaiodobenzylguanidine]

Dans les pays développés, environ 1 à 2% des adultes présentent une insuffisance cardiaque, parmi lesquels une forte proportion de décès est à déplorer. Ce que l’on appelle les morts subites surviennent à cause d’arythmies ventriculaires, en particulier chez les patients présentant des symptômes moins graves.

Les défibrillateurs automatiques implantables (DAI) ou le traitement de resynchronisation cardiaque avec stimulateur cardiaque et défibrillateur externe sont recommandés afin de corriger des arythmies potentiellement mortelles et de réduire ce risque de mort subite. Cependant, ces traitements sont coûteux et ne fonctionnent pas chez tous les patients.

Ainsi, Kenichi Nakajima, auteur de l’étude, du Centre hospitalier universitaire de Kanazawa (Japon), a imaginé pouvoir prédire ces décès afin de déterminer plus facilement les patients qui devraient bénéficier préférentiellement de ces traitements.

L’étude est la première à utiliser une machine algorithme d’apprentissage permettant de prédire la mort subite chez 529 patients insuffisants cardiaques suivis sur 2 ans.

« Notre modèle a calculé la probabilité d’un événement arythmique soudain avec une AUC de 0,74. Il pourrait être utilisé pour identifier les patients à très faible risque pour lesquels un DAI n’est pas nécessaire, et les patients à très haut risque qui devraient recevoir un dispositif. L’optimisation de l’évaluation des risques de cette manière améliorera la rentabilité du traitement. »

L’apprentissage automatique de l’AI a ainsi permis de déterminer comment les huit variables suivantes pour prédire le pronostic des patients souffrant d’insuffisance cardiaque étaient connectées : l’âge, le sexe, la gravité de l’insuffisance cardiaque (classe fonctionnelle New York Heart Association), la fraction d’éjection ventriculaire gauche (activité de la pompe cardique), si l’insuffisance cardiaque était causée par une ischémie ischémie, le taux de BNP, la fonction rénale et un paramètre d’imagerie nucléaire.

Gagner du temps : l’IA pour éviter des tests inutiles chez les patients présentant une douleur thoracique stable

[Cost analysis of cardiac imaging using artificial intelligence in subjects with stable chest pain. Results from the ARTICA database]

L’IA pourrait éviter des tests diagnostiques inutiles chez les patients présentant une douleur thoracique stable.

ARTICA, qui signifie ARTificial Intelligence for Cardiac nAvigation, est un système d’aide à la décision créé par des chercheurs britanniques. Il utilise l’apprentissage automatique, un type d’IA, pour aider à prendre des décisions conformes à la pratique recommandée. Les chercheurs ont rédigé des recommandations pour les patients présentant une douleur thoracique stable et collecté des données médicales de manière systématique. Un algorithme d’apprentissage automatique a analysé les informations à plusieurs reprises jusqu’à ce qu’il ait appris à identifier les patients qui avaient besoin d’un test (et lequel) et ceux qui n’en avaient pas besoin.

L’étude a inclus 982 patients présentant une douleur thoracique stable, cause fréquente de consultations en services d’urgence et chez les médecins généralistes. Les chercheurs ont comparé les décisions sur les tests à effectuer réalisés par un cardiologue et par ARTICA le même jour. ARTICA a recommandé de ne pas effectuer d’autres tests chez 67% des patients, alors qu’un cardiologue a décidé que seuls 4,6% des patients n’avaient pas besoin de subir des tests complémentaires.

L’auteur de l’étude, le Dr Marco Mazzanti, du Royal Brompton Hospital, à Londres, au Royaume-Uni, a déclaré: « Certains médecins pratiquent des tests inutiles chez les patients et ignorent les recommandations concernant les justifications des tests dans 2/3 des cas. Notre système d’aide à la décision suit rigoureusement les directives de l’ESC et ne recommande pas des tests inutiles. L’IA peut potentiellement réduire les coûts et le temps du personnel en identifiant les patients souffrant de douleurs à la poitrine qui ne souffrent pas de coronaropathie grave et n’ont donc pas besoin d’une imagerie cardiaque coûteuse. »

Le Dr Caroline Charles, spécialisée en onco-hématologie et immunothérapie, est consultante en marketing médical et en recherche clinique à destination de l’industrie pharmaceutique, des organismes de recherche et des structures hospitalo-universitaires. Geek dans l’âme et forte de son expérience en recherche et en biotechnologies appliquées à la médecine, elle apporte son expertise scientifique au magazine.