L'IA détecte les maladies cardiaques cachées à l'aide d'analyses existantes stockées dans les dossiers des patients
infohightech ·
Des chercheurs du Mass General Brigham College ont développé un nouvel outil d'IA en collaboration avec le Département des Anciens Combattants des États-Unis (VA). Ce nouvel outil permet d'analyser les scanners précédemment collectés et d'identifier les personnes présentant un taux élevé de calcium dans les artères coronaires (CAC : coronary artery calcium), ce qui les expose à un risque accru d'événements cardiovasculaires.
Leurs recherches, publiées dans la revue NEJM AI , ont démontré que l'outil, appelé AI-CAC, présentait une grande précision et une valeur prédictive élevée pour les futurs infarctus et la mortalité à 10 ans. Leurs résultats suggèrent que la mise en œuvre généralisée d'un tel outil pourrait aider les cliniciens à évaluer le risque cardiovasculaire de leurs patients.
« Des millions de scanners thoraciques sont réalisés chaque année, souvent chez des personnes en bonne santé, par exemple pour dépister un cancer du poumon. Notre étude montre que des informations importantes sur le risque cardiovasculaire passent inaperçues lors de ces examens », a déclaré l'auteur principal, Hugo Aerts, PhD , directeur du programme d'intelligence artificielle en médecine (AIM) au Mass General Brigham. « Notre étude démontre que l'IA a le potentiel de transformer la pratique médicale et de permettre aux médecins d'interagir plus tôt avec leurs patients, avant que leur maladie cardiaque n'évolue vers un accident cardiovasculaire. »
Le scanner thoracique permet de détecter les dépôts de calcium dans le cœur et les artères, qui augmentent le risque d'infarctus. La méthode de référence pour quantifier la CAC utilise le scanner synchronisé, qui se synchronise avec le rythme cardiaque afin de réduire les mouvements pendant l'examen. Cependant, la plupart des scanners thoraciques réalisés à des fins cliniques de routine sont non synchronisés.
Les chercheurs ont constaté que les CAC pouvaient encore être détectés sur ces scanners non synchronisés, ce qui les a conduits à développer AI-CAC, un algorithme d'apprentissage profond permettant d'analyser ces scanners non synchronisés et de quantifier les CAC afin de prédire le risque d'événements cardiovasculaires. Ils ont entraîné le modèle sur des scanners thoraciques réalisés dans le cadre des soins habituels des anciens combattants dans 98 centres médicaux du VA, puis ont testé les performances d'AI-CAC sur 8 052 scanners afin de simuler le dépistage des CAC lors des examens d'imagerie de routine.
Les chercheurs ont constaté que le modèle AI-CAC était précis à 89,4 % pour déterminer si un scanner contenait ou non des CAC. Chez les patients présentant des CAC, le modèle était précis à 87,3 % pour déterminer si le score était supérieur ou inférieur à 100, indiquant un risque cardiovasculaire modéré.
L'AI-CAC était également prédictif de la mortalité toutes causes confondues à 10 ans : les patients présentant un score CAC supérieur à 400 présentaient un risque de décès 3,49 fois plus élevé sur une période de 10 ans que les patients ayant un score nul. Parmi les patients identifiés par le modèle comme présentant des scores CAC très élevés (supérieurs à 400), quatre cardiologues ont confirmé que la quasi-totalité (99,2 %) d'entre eux bénéficieraient d'un traitement hypolipémiant.
« À l'heure actuelle, les systèmes d'imagerie du VA contiennent des millions de scanners thoraciques non synchronisés, potentiellement réalisés à d'autres fins, soit environ 50 000 études synchronisées. Cela offre à l'IA-CAC l'opportunité d'exploiter les scanners non synchronisés collectés régulièrement pour évaluer le risque cardiovasculaire et améliorer les soins », a déclaré le Dr Raffi Hagopian, premier auteur, cardiologue et chercheur au sein du groupe Innovations appliquées et informatique médicale du VA Long Beach Healthcare System. « L'utilisation de l'IA pour des tâches telles que la détection des CAC peut contribuer à faire évoluer la médecine d'une approche réactive vers une prévention proactive des maladies, réduisant ainsi la morbidité et la mortalité à long terme, ainsi que les coûts de santé. »
Les limites de l'étude incluent le fait que l'algorithme a été développé exclusivement auprès d'une population d'anciens combattants. L'équipe espère mener de futures études auprès de la population générale et vérifier si l'outil permet d'évaluer l'impact des médicaments hypolipidémiants sur les scores CAC.
https://www.massgeneralbrigham.org/en/about/newsroom/press-releases/ai-detects-hidden-heart-disease