Vers un monde équitable et durable

La fibrillation auriculaire est un rythme cardiaque anormal qui ne met pas immédiatement la vie en danger, mais qui augmente considérablement le risque d'accident vasculaire cérébral et de décès chez les patients. Le fait d'avertir les patients qu'ils risquent de la développer peut leur donner le temps de modifier leur mode de vie et d'éviter ou de retarder l'apparition de la maladie. Cela peut également encourager un suivi régulier avec le cardiologue du patient, garantissant ainsi que si l'affection se développe, elle sera identifiée rapidement et qu'un traitement sera mis en place sans délai. Les facteurs de risque connus de la fibrillation auriculaire sont la sédentarité, l'obésité, le tabagisme, les prédispositions génétiques, etc.

Mme Biton et Mme Gendelman ont utilisé plus d'un million d'enregistrements d'ECG provenant de plus de 400 000 patients pour entraîner un réseau neuronal profond à reconnaître les patients susceptibles de développer une fibrillation auriculaire dans les cinq ans. Ils ont ensuite combiné le réseau neuronal profond avec des informations cliniques sur le patient, notamment certains des facteurs de risque connus. Les enregistrements d'ECG et le dossier médical électronique des patients ont été fournis par le Réseau de télésanté du Minas Gerais (TNMG), un système public de télésanté qui dessert 811 des 853 municipalités de l'État du Minas Gerais, au Brésil. Le modèle d'apprentissage automatique obtenu a permis de prédire correctement le développement du risque de fibrillation auriculaire dans 60 % des cas, tout en conservant une spécificité élevée de 95 %, ce qui signifie que seulement 5 % des personnes identifiées comme étant potentiellement à risque n'ont pas développé cette affection.

"Nous ne cherchons pas à remplacer le médecin humain - nous ne pensons pas que cela soit souhaitable", a déclaré le professeur Behar à propos des résultats, "mais nous souhaitons mettre de meilleurs outils d'aide à la décision entre les mains des médecins. Les ordinateurs sont mieux équipés pour traiter certaines formes de données. Par exemple, en examinant un enregistrement ECG aujourd'hui, un cardiologue rechercherait des caractéristiques spécifiques connues pour être associées à une maladie particulière. Notre modèle, quant à lui, peut rechercher et identifier des schémas par lui-même, y compris des schémas qui pourraient ne pas être intelligibles pour l'œil humain."

Les médecins sont passés de la prise manuelle du pouls d'un patient à l'utilisation d'un stéthoscope, puis de l'ECG. L'utilisation de l'apprentissage automatique pour faciliter l'analyse des enregistrements d'ECG pourrait être la prochaine étape de cette évolution.

L'ECG étant un test de routine peu coûteux, le modèle d'apprentissage automatique pourrait facilement être intégré à la pratique clinique et améliorer la gestion des soins de santé pour de nombreuses personnes. L'accès à davantage d'ensembles de données sur les patients permettrait à l'algorithme de s'améliorer progressivement en tant qu'outil de prédiction du risque. Le modèle pourrait également être adapté pour prédire d'autres pathologies cardiovasculaires.

L'étude a été menée en collaboration avec Antônio Ribeiro de l'Université d'Uppsala, en Suède, et Gabriela Miana, Carla Moreira, Antonio Luiz Ribeiro de l'Universidade Federal de Minas Gerais, au Brésil.

L'article a été publié dans European Heart Journal-Digital Health