4 minutes de lecture

Prévention cardio-vasculaire

Des scores basés sur l'intelligence artificielle prédisent efficacement le risque d'événements cardiovasculaires majeurs

Publié le lundi 29 janvier 2024

APM news

PARIS, 29 janvier 2024 (APMnews) - Des scores basés sur la méthode d'intelligence artificielle du machine learning permettent de prédire le risque d'événements cardiovasculaires majeurs, avec une performance qui dépasse celle des méthodes traditionnelles chez des patients atteints de myocardite aiguë, de maladie coronarienne obstructive et chez les patients pris en charge en soins intensifs, selon plusieurs études menées par le service de cardiologie de l'hôpital Lariboisière et présentées lors des Journées européennes de la Société française de cardiologie (JESFC) à Paris.

Chez les patients atteints de myocardite aiguë, un score intégrant des données cliniques et d'IRM cardiaque, a permis de prédire le risque d'événements cardiovasculaires majeurs (MACE pour Major Adverse Cardiac Events) avec de meilleures performances que les méthodes statistiques traditionnelles, d'après des résultats présentés par Alexandre Pfeffer, interne du service de cardiologie de l'hôpital Lariboisière à Paris (AP-HP).

Le score a été établi à l'aide d'une cohorte de dérivation ayant inclus 388 patients consécutifs atteints de myocardite aiguë, confirmée à l'IRM cardiaque, pris en charge entre 2008 et 2017 à l'Institut cardiovasculaire Paris Sud de Massy et à l'hôpital d'Amiens. La cohorte de validation externe a inclus 250 patients de l'hôpital Lariboisière.

Le critère MACE était défini par la survenue de l'un des événements suivants: décès cardiovasculaire, transplantation cardiaque, arythmie ventriculaire, hospitalisation pour insuffisance cardiaque, récidive de myocardite aiguë et hospitalisation imprévue pour raison cardiaque. Parmi les patients de la cohorte de dérivation, 18% ont eu un tel événement au cours d'un suivi médian de 7,5 ans.

Sur 56 variables biologiques, cliniques et liées à l'IRM cardiaque, sept ont été jugées les plus pertinentes pour prédire le risque de MACE et ont été retenues pour établir le score. Il s'agit notamment de l'âge, du rehaussement tardif, du volume du ventricule gauche et de la fraction d'éjection ventriculaire gauche (FEVG) à l'IRM.

Par rapport aux autres modèles évalués et au modèle de régression statistique traditionnel, c'est le modèle basé sur l'algorithme Random Forest qui a montré les meilleures performances, avec une aire sous la courbe de 0,85.

Solenn Toupin de Siemens Healthineers France a présenté les performances d'un score combinant les données de l'angiographie par tomodensitométrie cardiaque (angioscanner) et les données de l'IRM cardiaque de stress dans la prédiction du risque de MACE chez les patients atteints de maladie coronarienne obstructive.

Entre 2008 et 2021, 2.038 patients atteints de maladie coronarienne obstructive avec au moins une sténose ≥ 50% à l'angioscanner coronarien et ayant eu une IRM cardiaque de stress, pris en charge à l'Institut cardiovasculaire Paris Sud, ont été inclus de manière consécutive. La cohorte de validation externe du score a inclus 274 patients de l'hôpital Lariboisière.
Le critère MACE, défini par le décès cardiovasculaire ou un infarctus du myocarde non fatal, a concerné 13,8% des patients de l'Institut cardiovasculaires Paris Sud au cours d'un suivi médian de 6,7 ans et 13,9% des patients de l'hôpital Lariboisière au cours d'un suivi médian de 5,9 ans.

Six variables ont été intégrées au score de machine learning, trois relatives à l'angioscanner (dont le nombre de segments proximaux avec sténose > 50%) et trois à l'IRM cardiaque (dont la FEVG).

Ce score, basé sur l'algorithme XGBoost, présentait l'aire sous la courbe plus élevée (0,85) par rapport à différents scores de risque utilisés traditionnellement, comme le score de risque de l'ESC et le score de risque de Framingham, et par rapport à des scores tenant compte uniquement de l'angioscanner ou uniquement de l'IRM cardiaque.

Les scores suivants ont été établis à l'aide des données du registre français ADDICT-ICCU, qui a permis d'inclure de manière consécutive 1.499 patients pris en charge dans 39 unités de soins intensifs cardiologiques (Usic) en avril 2021. Le critère MACE y est défini par la survenue d'un décès cardiovasculaire, d'un arrêt cardiaque ressuscité en Usic ou d'un choc cardiogénique nécessitant une assistance hémodynamique médicale et/ou mécanique. A chaque fois, 70% des patients inclus ont permis l'entraînement de l'algorithme et 30% ont constitué la validation interne.

Kenza Hamzi, ingénieur au service de cardiologie de l'hôpital Lariboisière, a montré l'intérêt d'un score basé uniquement sur des données d'échocardiographie transthoracique pour prédire le risque de MACE intra-hospitalier en Usic, à partir des 1.499 patients admis en avril 2021.

Tous les patients ont bénéficié d'une échocardiographie transthoracique complète à l'admission. Le critère MACE a concerné 4,5% des patients. Cinq paramètres échographiques, sélectionnés comme étant les plus importants pour prédire le risque de MACE, ont été retenus, parmi lesquels la FEVG.

Avec une aire sous la courbe de 0,84, l'algorithme XGBoost s'est révélé plus performant que le modèle de régression statistique et que les scores cliniques traditionnels.
Le Dr Emmanuel Gall du service de cardiologie de l'hôpital Lariboisière a décrit un score qui a permis de prédire le risque de MACE intra-hospitalier chez des patients atteints du syndrome coronarien aigu (SCA).

Au total, 765 patients admis pour infarctus du myocarde sans sus-décalage du segment ST à l'électrocardiogramme (non STEMI) ou pour infarctus du myocarde avec sus-décalage du segment ST à l'électrocardiogramme (STEMI) ont été inclus. Le critère MACE, défini par la survenue d'un décès cardiovasculaire, d'un arrêt cardiaque ressuscité en Usic ou d'un choc cardiogénique nécessitant une assistance hémodynamique médicale et/ou mécanique, a concerné 4% des patients.

Sur 39 variables cliniques, biologiques et échographiques évaluées, l'algorithme n'a sélectionné que quatre variables liées à l'échographie réalisée dans les premières 24 heures, dont le ratio E/e'.

L'algorithme Random Forest a permis de mieux prédire le risque et était associé à une aire sous la courbe de 0,96, surpassant les capacités prédictives du modèle statistique traditionnel et celles des scores GRACE et TIMI.

Un autre score, présenté par Benjamin Sibilia du service de cardiologie de l'hôpital Lariboisière et incluant des paramètres cliniques et échocardiographiques, a permis de prédire le risque de MACE intra-hospitalier chez des patients hospitalisés pour insuffisance cardiaque aiguë.

Sur 459 patients hospitalisés pour insuffisance cardiaque aiguë en Usic, 9,8% ont eu un MACE à l'hôpital.

Sur 28 variables cliniques, biologiques, échocardiographiques et obtenus à partir de l'électrocardiogramme (ECG) analysés par trois modèles d'algorithme, sept variables cliniques et échocardiographiques ont été retenues, dont la pression artérielle moyenne, l'origine ischémique de l'insuffisance cardiaque, la consommation de drogues illicites et l'ITV sous-aortique.

D'après le modèle de performance "Precision Recall curves", l'algorithme Random Forest était le plus performant pour prédire le risque de MACE, avec une aire sous la courbe de 0,48, contre 0,42 et 0,37 pour les deux autres algorithmes évalués et 0,35 pour le modèle de régression statistique.

Partager l'article :

0 commentaire

Pour ajouter un commentaire, vous devez être connecté. Se connecter

Dans la même thématique

Articles les plus lus