Prédire l’accident cardiaque : l’intelligence artificielle fait mieux que le médecin

Stéphanie Lavaud

Auteurs et déclarations

21 avril 2017

Nottingham, Royaume-Uni – L’intelligence artificielle (IA) n’en finit de surprendre. C’est aujourd’hui dans le domaine de la prédiction du risque cardiovasculaire (RCV) qu’elle se distingue. En utilisant une base de données médicales conséquente mais classique, des chercheurs de l’Université de Nottingham viennent de démontrer que quatre types d’algorithme prédisent le risque d’accident cardiaque avec plus, voire bien plus selon les modèles, de précision qu’un score validé, tel que celui des recommandations de l’American College of Cardiology (ACC/AHA).

Plus intéressant encore, en mettant la lumière sur de nouveaux facteurs de risque, et en en minimisant d’autres, la machine permet de repenser la pertinence des paramètres utilisés en routine, et peut-être, à terme, de sauver davantage de vies par une prévention plus personnalisée. Ces résultats viennent d’être publiés dans PLOS One[1].

Les scores actuels ne rendent pas compte de la complexité du vivant

La prédiction du risque cardiovasculaire (CV) repose sur la prise en compte de facteurs de risque bien établis, comme l’hypertension, le cholestérol, l’âge, le tabagisme et le diabète. Tous ces paramètres se retrouvent classiquement dans la majorité des scores (ACC/AHA, QRISK2, Framingham, Reynolds) utilisés par les médecins. Ces outils prédictifs du risque CV n’ont pas beaucoup évolué, si ce n’est qu’on les trouve désormais sur smartphones.

Problème : ces scores sont bien loin de rendre compte de la complexité du vivant. Primo, nombre de facteurs de risque individuels ne sont pas pris en compte, ce qui implique que des patients à risque ne sont pas identifiés comme tel, et inversement, des patients sont probablement traités inutilement. Par exemple, « environ la moitié des infarctus du myocarde surviennent chez des personnes non considérées comme étant à risque », indiquent les chercheurs. Secundo, ces scores considèrent implicitement que chaque facteur de risque est lié de façon linéaire au risque CV. Soit un modèle bien trop simple au regard des subtiles interactions entre les paramètres biologiques, génétiques, environnementaux – qui vont au final conduire à l’accident cardiaque –, mais plus accessible, dans une certaine mesure, à la puissance de calcul de l’ordinateur.

C’est en partant de ce postulat que les chercheurs anglais ont testé quatre algorithmes de prédiction du risque CV en fournissant à l’ordinateur les données cliniques disponibles dans la base de données dite Clinical Practice Research Datalink (CPRD). Les résultats ont ensuite été comparés à ceux du score de risque de l’ACC/AHA.

378 256 patients entre 30 et 84 ans

La cohorte était issue de la base des données CPRD – qui collige les dossiers médicaux informatisés de près de 700 familles du Royaume-Uni, en termes de soins primaires et secondaires – et a inclus 378 256 patients entre 30 et 84 ans pour lesquels 8 variables de base étaient disponibles (genre, âge, statut tabagique, pression artérielle systolique, traitement antihypertenseur, cholestérol total, HDL cholestérol et diabète) au moment de l’entrée dans l’étude, c’est-à-dire au 1er janvier 2005.

8 variables de bases

Genre, âge, statut tabagique, pression artérielle systolique, traitement antihypertenseur, cholestérol total, HDL cholestérol, diabète.

L’étude a porté sur 10 ans.

22 variables supplémentaires

Pour la comparaison des 4 types d’algorithmes d’IA, 22 variables supplémentaires potentiellement liées à l’évaluation du risque CV, en se basant sur de précédents algorithmes, sur la littérature existante et sur l’expertise des 2 cliniciens (figurant parmi les auteurs de l’étude). Chacun des algorithmes a été entrainé sur 75 % des patients (295 267) puis validé sur les 25% restant (82 989). Le critère primaire était la survenue d’un accident cardiovasculaire fatal ou non.

Les logiciels étaient basés sur 4 types d'algorithmes de machine learning (ML) :

-régression logique,

-arbre de décision,

-boosting d'arbres de décision (gradient boosting machines),

-réseau de neurones.

Commenter

3090D553-9492-4563-8681-AD288FA52ACE
Les commentaires peuvent être sujets à modération. Veuillez consulter les Conditions d'utilisation du forum.

Traitement....