Des chercheurs forment l'IA pour diagnostiquer l'insuffisance cardiaque chez les patients ruraux à l'aide d'électrocardiogrammes low-tech
infohightech ·
Des informaticiens de la WVU (West Virginia University) aux Etats-Unis forment des modèles d'IA pour diagnostiquer l'insuffisance cardiaque à l'aide de données générées par des équipements ruraux largement disponibles dans les cabinets médicaux des Appalaches rurales. (Photo WVU/Micaela Morrissette)
Préoccupés par la capacité des modèles d'intelligence artificielle formés sur des données démographiques urbaines à établir les bons diagnostics médicaux pour les populations rurales, les informaticiens de l'Université de Virginie-Occidentale ont développé plusieurs modèles d'IA capables d'identifier les signes d'insuffisance cardiaque chez les patients des Appalaches.
Prashnna Gyawali , professeur adjoint au département d'informatique et de génie électrique de Lane au Benjamin M. Statler College of Engineering and Mineral Resources de WVU , a déclaré que l'insuffisance cardiaque - une maladie chronique et persistante dans laquelle le cœur ne peut pas pomper suffisamment de sang pour répondre aux besoins du corps en oxygène - est l'un des problèmes de santé nationaux et mondiaux les plus urgents, et qui frappe particulièrement durement les régions rurales des États-Unis.
Malgré l’impact considérable de l’insuffisance cardiaque sur les populations rurales, des modèles d’IA sont actuellement formés pour diagnostiquer la maladie en utilisant des données représentant des patients de zones urbaines et suburbaines comme Stanford, en Californie, a déclaré Gyawali.
« Imaginez Jane Doe, une femme de 62 ans vivant dans une communauté rurale des Appalaches », a-t-il suggéré. « Elle a un accès limité aux soins spécialisés, dépend d'une petite clinique locale, et son mode de vie, son alimentation et ses antécédents médicaux reflètent les réalités de son environnement : un travail physique intense, des soins préventifs minimes et une exposition accrue à des facteurs de risque environnementaux comme la poussière de charbon ou une mauvaise qualité de l'air. Jane commence à ressentir de la fatigue et des essoufflements, symptômes qui pourraient indiquer une insuffisance cardiaque. »
« Un système d'IA, principalement entraîné à partir de données provenant d'hôpitaux urbains situés dans des zones côtières plus aisées, évalue les résultats d'analyse de Jane. Mais comme le système n'a pas été entraîné sur des patients partageant le même contexte socio-économique et environnemental que Jane, il ne reconnaît pas son état comme urgent ou anormal », a déclaré Gyawali. « C'est pourquoi ce travail est important. En entraînant des modèles d'IA à partir de données de patients de Virginie-Occidentale, nous souhaitons garantir que des personnes comme Jane reçoivent des diagnostics précis, quel que soit leur lieu de résidence ou l'écart entre leur vie et la moyenne nationale. »
Les chercheurs ont identifié les modèles d'IA les plus précis pour diagnostiquer l'insuffisance cardiaque dans un échantillon anonymisé de plus de 55 000 patients soignés en Virginie-Occidentale. Ils ont également identifié les paramètres précis permettant de fournir aux modèles d'IA les données les plus performantes en termes de précision diagnostique. Les résultats sont publiés dans Scientific Reports , une revue du portefeuille Nature.
L'étudiante au doctorat Alina Devkota a souligné qu'ils ont formé les modèles d'IA pour travailler à partir des résultats de l'électrocardiogramme des patients, plutôt qu'à partir des lectures d'échocardiogramme typiques des données des patients des zones urbaines.
Les électrocardiogrammes utilisent des électrodes rondes collées au torse du patient pour enregistrer les signaux électriques du cœur. Selon Devkota, leur utilisation ne nécessite ni équipement ni formation spécialisés, mais ils fournissent néanmoins des informations précieuses sur la fonction cardiaque.
« L’un des critères pour diagnostiquer l’insuffisance cardiaque est de mesurer la « fraction d’éjection », ou la quantité de sang pompée hors du cœur à chaque battement, et la référence pour ce faire est l’échocardiographie, qui utilise des ondes sonores pour créer des images du cœur et du sang circulant dans ses valves », a-t-elle déclaré.
Mais l'échocardiographie est coûteuse, chronophage et souvent inaccessible aux patients des États ruraux des Appalaches, où la prévalence d'insuffisance cardiaque est la plus élevée du pays. La Virginie-Occidentale, par exemple, se classe au premier rang aux États-Unis pour la prévalence des crises cardiaques et des maladies coronariennes, mais de nombreux habitants de cette région n'ont pas accès à des échocardiogrammes de haute technologie. Ils ont accès à des électrocardiogrammes peu coûteux. Nous avons donc testé si des modèles d'IA pouvaient utiliser les résultats de l'électrocardiogramme pour prédire la fraction d'éjection d'un patient.
Devkota, Gyawali et leurs collègues ont entraîné plusieurs modèles d'IA sur les dossiers patients de 28 hôpitaux de Virginie-Occidentale. Ces modèles ont utilisé soit l'apprentissage profond (deep learning), qui s'appuie sur des réseaux neuronaux multicouches, soit l'apprentissage non profond (non deep learning), qui repose sur des algorithmes plus simples, pour analyser les dossiers patients et tirer des conclusions.
Les chercheurs ont constaté que les modèles d'apprentissage profond, notamment ResNet, étaient les plus performants pour prédire correctement la fraction d'éjection d'un patient à partir de données d'électrocardiogrammes à 12 dérivations. Les résultats suggèrent qu'un ensemble de données plus important pour l'entraînement donnerait des résultats encore meilleurs. Ils ont également constaté que le fait de fournir aux modèles d'IA des « dérivations » spécifiques, ou des combinaisons de données provenant de différentes paires d'électrodes, affectait la précision des prédictions de fraction d'éjection des modèles.
Gyawali a déclaré que même si les modèles d'IA ne sont pas encore utilisés dans la pratique clinique en raison de problèmes de fiabilité, la formation d'une IA pour estimer avec succès la fraction d'éjection à partir des signaux d'électrocardiogramme pourrait bientôt donner aux cliniciens un avantage dans la protection de la santé cardiaque des patients.
L'insuffisance cardiaque touche aujourd'hui plus de six millions d'Américains, et des facteurs comme le vieillissement de la population entraînent une augmentation rapide du risque : environ une personne sur quatre souffrira d'insuffisance cardiaque au cours de sa vie. La prévalence est encore plus élevée dans les zones rurales des Appalaches ; il est donc crucial que ces personnes ne soient pas négligées.
NDLR: Bien entendu, l'information provient des Etats-Unis. Mais pourquoi ne pas l'appliquer aussi en France dans les déserts médicaux.