Médecine
L'IA peut détecter des pathologies cardiaques à partir d'électrocardiogrammes avec une plus grande précision que les cardiologues.
|
Ainhoa Pérez
Alumni
|
|
MPH, MSc.
|
Une étude récente publiée dans Nature a évalué l'efficacité d'un modèle d'intelligence artificielle entraîné à partir de plus d'un million d'électrocardiogrammes (ECG). Les résultats montrent que l'IA peut détecter les maladies cardiaques structurelles avec une plus grande précision que les cardiologues, ouvrant ainsi de nouvelles possibilités pour le dépistage non invasif.
PHYSIOPATHOLOGIE ET MÉCANISMES
Les maladies cardiaques structurelles couvrent un spectre hétérogène d'altérations morphofonctionnelles qui affectent les valves, les cavités et les parois du c?ur, notamment le dysfonctionnement ventriculaire, l'hypertrophie, l'hypertension pulmonaire et les valvulopathies. Ces pathologies touchent des dizaines de millions de personnes dans le monde. Bien que le diagnostic repose sur des techniques d'imagerie telles que l'échocardiogramme, leur disponibilité est limitée par des obstacles logistiques et financiers. Dans ce contexte, les modèles d'intelligence artificielle basés sur l'apprentissage profond se sont imposés comme des outils prometteurs pour détecter de manière non invasive la présence d'une maladie structurelle à partir d'électrocardiogrammes, des tests plus accessibles et largement disponibles. Ces modèles utilisent des réseaux neuronaux convolutifs qui analysent les signaux électriques ainsi que les données cliniques, ce qui pourrait faciliter le dépistage au sein de la population et la priorisation des examens complémentaires.ÉTUDE
Une étude clinique récente menée aux États-Unis (Poterucha et al., 2025) a évalué l'efficacité d'un modèle d'IA basé sur l'apprentissage profond pour détecter les maladies cardiaques structurelles à partir d'électrocardiogrammes. Le modèle a été entraîné à partir de plus d'un million de paires d'électrocardiogrammes et d'échocardiogrammes provenant de plus de 200 000 patients adultes pris en charge entre 2008 et 2022 dans huit hôpitaux du système NewYork-Presbyterian. La maladie structurelle a été définie selon des critères échocardiographiques établis, notamment une dysfonction ventriculaire gauche, une hypertrophie ventriculaire, une dysfonction ventriculaire droite, une hypertension pulmonaire, un épanchement péricardique modéré ou sévère et des valvulopathies importantes. Le modèle a utilisé les signaux bruts des 12 dérivations de l'électrocardiogramme ainsi que des variables cliniques de base. Ses performances ont été validées auprès de différents sous-groupes cliniques, notamment des cohortes externes, des modèles de dépistage de routine sans imagerie et une évaluation contrôlée dans laquelle un groupe de cardiologues a interprété 150 électrocardiogrammes avec et sans l'aide du modèle, en comparant ses performances diagnostiques à celles de l'algorithme.PRINCIPAUX RÉSULTATS
Le modèle d'IA a atteint une grande précision dans la cohorte test (AUROC > 85 % ; AUPRC > 78 %), avec des résultats cohérents entre les hôpitaux, les environnements cliniques et les groupes démographiques, et une légère baisse des performances dans les cohortes externes. Dans l'évaluation contrôlée, le modèle a surpassé les cardiologues en termes de précision, de sensibilité et de spécificité, améliorant ses performances lorsqu'il était utilisé comme aide à la décision.CONCLUSION ET PERTINENCE CLINIQUE
Cette étude montre qu'un modèle d'intelligence artificielle entraîné peut détecter de manière précise et généralisable de multiples formes de maladies cardiaques structurelles à partir d'un électrocardiogramme. Ces résultats suggèrent un rôle potentiel pour cette technologie dans le dépistage populationnel et la hiérarchisation diagnostique en cardiologie. Les performances diagnostiques ont été élevées lors des validations internes et externes, et supérieures au jugement clinique dans des conditions expérimentales. Le déploiement silencieux a montré un taux élevé de confirmation diagnostique, et son application prospective a permis d'identifier des cas réels. Parmi les limites de l'étude, on peut citer la dépendance à l'échocardiogramme comme standard diagnostique, ou l'absence de résultats pronostiques établissant sa valeur clinique réelle, entre autres. Il convient de noter que l'évaluation réalisée par les cardiologues n'est pas effectuée dans des conditions cliniques complètes incluant les antécédents médicaux et l'examen physique, ce qui limite la comparaison dans des conditions réelles, et ne permet pour l'instant que d'évaluer sa valeur en tant que dépistage. Néanmoins, les ECG à haut risque de la cohorte silencieuse montrent une valeur prédictive élevée. De futures études devront évaluer leur applicabilité dans d'autres contextes cliniques et leur impact réel sur la pratique des soins.
#intelligenceartificielle #IA #maladiecardiovasculaire
Références:
Poterucha, J. T et al, 2025. Detecting structural heart disease from electrocardiograms using AI. Nature. https://doi.org/10.1038/s41586-025-09227-0
* Les actualités publiées sur les études ne représentent pas une position officielle de l'ICNS, ni une recommandation clinique.
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
