Les médecins pourraient bientôt être en mesure de diagnostiquer une forme insaisissable de maladie cardiaque en quelques secondes en utilisant un modèle d’IA développé à l’Université du Michigan, selon une étude récente.
Les chercheurs ont entraîné le modèle à détecter la dysfonction microvasculaire coronaire, une condition complexe qui nécessite des techniques d’imagerie avancées pour être diagnostiquée, en utilisant un électrocardiogramme courant.
Leur outil de prédiction a significativement surpassé les modèles d’IA antérieurs dans presque toutes les tâches de diagnostic, y compris la prédiction de la réserve de flux myocardique, la référence absolue pour diagnostiquer la DMC.
« Notre modèle offre aux cliniciens un moyen d’identifier avec précision une condition notoirement difficile à diagnostiquer — et souvent manquée lors des visites aux urgences — en utilisant une bande d’ECG de 10 secondes », a expliqué l’auteur principal Venkatesh L. Murthy, M.D., Ph.D., chef associé de cardiologie pour la recherche translationnelle et l’innovation au Centre cardiovasculaire Frankel de U-M Health et professeur Melvyn Rubenfire de cardiologie préventive à la faculté de médecine de l’Université du Michigan.
Environ 14 millions de personnes se rendent chaque année aux urgences ou dans une clinique externe pour des douleurs thoraciques.
Contrairement à la maladie coronarienne, qui survient à cause d’un blocage dans les gros vaisseaux sanguins du cœur, la DMC affecte les vaisseaux plus petits. Elle provoque également des douleurs thoraciques et augmente le risque de crise cardiaque, mais diagnostiquer la DMC nécessite des méthodes avancées comme l’imagerie de perfusion myocardique par TEP.
Fonctionnement du modèle d’IA
Ces examens de haute valeur sont à la fois coûteux et rarement accessibles en dehors des centres spécialisés.
Le nombre limité d’examens disponibles a posé un défi à Murthy et à son équipe de recherche alors qu’ils cherchaient des données pour entraîner leur modèle d’IA.
Ils ont résolu ce problème avec l’apprentissage auto-supervisé, ou SSL.
Ils ont commencé par pré-entraîner un modèle d’apprentissage profond appelé vision transformer sur plus de 800 000 formes d’onde d’ECG non étiquetées, puis l’ont affiné sur un ensemble de données plus petit et étiqueté de scintigraphies TEP.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
« En substance, nous avons appris au modèle à ‘comprendre’ le langage électrique du cœur sans supervision humaine », a déclaré Murthy. Une fois formé sur les bases, les chercheurs ont appris au modèle à décomposer avec précision les données TEP avancées en utilisant 12 tâches de prédiction démographiques et cliniques différentes, dont plusieurs qui ne sont pas possibles avec les modèles actuels d’IA-ECG.
Le modèle a non seulement réussi à prédire la DMC sur différentes bases de données, mais il a également amélioré de manière constante la précision diagnostique des tâches de prédiction pour des affections cardiaques plus courantes par rapport aux modèles de pointe précédents.
Quatre des tâches de diagnostic que le modèle utilise impliquent souvent des électrocardiogrammes pris pendant des tests d’effort. Cependant, les résultats n’ont montré qu’une augmentation minime des performances lors de l’utilisation d’ECG d’effort par rapport aux ECG de repos.
L’avenir de l’IA cardiaque
Plusieurs groupes ont développé avec succès des outils d’IA pour interpréter les ECG en les entraînant sur de grandes bases de données d’ECG.
Cependant, ces modèles sont utilisés pour des tâches plus générales, comme l’interprétation automatique du rythme cardiaque et la détection de la dysfonction systolique ventriculaire gauche.
En utilisant les données de référence, moins accessibles, des scintigraphies TEP MPI pour entraîner son modèle, l’équipe de Murthy estime qu’elle peut étendre la capacité d’un ECG à prédire une condition microvasculaire plus difficile à repérer comme la DMC.
« Les personnes qui viennent aux urgences pour des douleurs thoraciques peuvent avoir une DMC, mais leur angiographie apparaîtra comme ‘normale’ », a souligné le co-auteur Sascha N. Goonewardena, M.D., professeur associé de médecine interne-cardiologie à la faculté de médecine de l’Université du Michigan.
« Dans les hôpitaux aux ressources limitées ou les centres non spécialisés, l’utilisation de notre modèle d’IA-ECG pour prédire la réserve de flux myocardique et la DMC sera un moyen simple, rentable et non invasif d’identifier quand un patient bénéficierait d’un test avancé pour une condition sérieuse. »
Article : A Foundation Transformer Model with Self-Supervised Learning for ECG-Based Assessment of Cardiac and Coronary Function – Journal : NEJM AI – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
Source : Michigan U.
