Diagnostic amélioré de l’infarctus du myocarde par occlusion à l’aide de nouveaux outils d’apprentissage automatique

Dans une étude récemment publiée dans la revue Médecine naturelleles chercheurs ont développé et testé un modèle intelligent pour diagnostiquer les patients atteints d’infarctus du myocarde par occlusion (OMI).

Ce modèle a joué un rôle déterminant dans le diagnostic des patients sans élévation du segment ST dans leurs électrocardiogrammes (ECG), que les cliniciens en exercice et les systèmes d’interprétation commerciaux actuels peuvent manquer. En utilisant les données de plus de 7 000 patients, le modèle a pu reclasser correctement une erreur de diagnostic sur trois commise par les systèmes conventionnels de stratification des risques.

Étude: Apprentissage automatique pour le diagnostic ECG et la stratification du risque d’infarctus du myocarde par occlusion. Crédit d’image : vchal/Shutterstock.com

Défis dans le diagnostic rapide de l’OMI

ST est un segment d’un tracé de scanner cardiaque qui, lorsqu’il est élevé, une condition autrement connue sous le nom d’élévation du segment ST (STE) indique un syndrome coronarien aigu (SCA).

L’infarctus du myocarde avec élévation du segment ST (STEMI) accompagnant une douleur thoracique aiguë est largement considéré comme l’un des types de crise cardiaque les plus graves et les plus potentiellement mortels et nécessite un cathétérisme d’urgence immédiat. Ainsi, l’interprétation précise des lectures ECG est cruciale pour le traitement rapide des OMI.

Des études récentes ont montré que tous les patients signalant des douleurs thoraciques ne peuvent pas accéder à un ECG à la demande. Même en présence de rapports ECG, 24 à 35 % des patients, pour des raisons inconnues, souffrent d’OMI, qui ne s’accompagne pas d’un STEMI, entraînant ainsi un diagnostic erroné.

Le diagnostic basé sur les biomarqueurs est limité, car son interprétation est très variable et basée sur l’interprétation visuelle par les cliniciens. Cela entraîne cumulativement des retards de diagnostic et de traitement qui entraînent inévitablement des taux de mortalité plus élevés chez les patients atteints d’OMI.

Les biomarqueurs capables de détecter les OMI, même en l’absence de STEMI, sont également limités, car ils ne sont détectables qu’après que les niveaux maximaux d’OMI ont été atteints, date à laquelle la période critique pour sauver le myocarde a expiré. Plus de 60 % des patients hospitalisés en raison de douleurs thoraciques ont des rapports d’évaluation initiale non concluants, ce qui entraîne une augmentation estimée de 14 à 22 % de la mortalité chez les patients atteints de SCA.

À propos de l’étude

La présente étude s’appuie sur les travaux antérieurs des auteurs, dans lesquels ils ont développé des prototypes d’algorithmes d’intelligence artificielle (IA) pour l’analyse ECG pour le dépistage automatisé du SCA avant l’admission à l’hôpital. Cette étude présente la première étude de cohorte observationnelle dans laquelle la précision du diagnostic par apprentissage automatique a été évaluée pour une utilisation dans le diagnostic STEMI et l’évaluation des risques.

La cohorte de l’étude comprenait 7 313 patients ayant signalé des douleurs thoraciques. Les patients étaient âgés de 43 à 75 ans, 47 % d’entre eux étaient des femmes et 5,2 % se sont finalement avérés positifs pour les OMI.

La cohorte d’étude a été divisée en deux groupes : le groupe de dérivation, avec 4 026 individus, et le groupe de validation, avec 3 287 patients. Alors que les patients des deux groupes étaient similaires en termes d’âge, de sexe et de mortalité cardiovasculaire à 30 jours, la cohorte de validation a été sélectionnée pour avoir une représentation accrue des Noirs et des Hispaniques et une prévalence légèrement accrue des SCA et des OMI.

Le modèle d’IA a été entraîné à l’aide de 12 rapports préhospitaliers pour chacun des 4 026 patients en dérivation. Le modèle a identifié 554 métriques spatio-temporelles, dont 73 ont été choisies après avoir intégré les recommandations d’experts du domaine. Ces paramètres ont été utilisés pour développer dix classificateurs afin de distinguer les patients SCA des patients non SCA et d’élucider la probabilité que les patients SCA aient une OMI.

L’un des modèles, le modèle de forêt aléatoire (RF), a été choisi pour tester la cohorte de validation, car il surpassait les systèmes ECG commerciaux actuellement disponibles et les cliniciens praticiens lors des tests préliminaires. La dernière étape de développement du modèle consistait à définir une métrique de risque appelée score OMI pour classer les patients en groupes à risque faible, moyen et élevé.

Le modèle a ensuite été testé à l’aide de données issues des cohortes de validation.

Résultats de l’étude

Notre modèle s’est bien généralisé et a maintenu des performances de classification élevées, surpassant le système ECG commercial et les cliniciens praticiens.

La classification OMI a identifié 74,4 % des 3 287 patients comme ayant un faible risque d’OMI, comme l’indique un score inférieur à cinq. Comparativement, 21 % de cette cohorte ont été identifiés comme ayant un risque intermédiaire d’OMI avec un score compris entre 5 et 20, tandis que 4,6 % avaient un risque élevé d’OMI avec un score supérieur à 20.

Lorsque seul le score OMI était utilisé, le modèle surpassait de manière significative l’ancienne métrique HEART de référence, cette dernière utilisant une combinaison d’âge, de facteurs de risque environnementaux, de valeurs de troponine, de données ECG et d’antécédents médicaux du patient.

La précision du diagnostic du modèle était constante quels que soient le sexe, les comorbidités, l’âge, la race ou les lectures ECG de base, démontrant ainsi son absence de biais d’agrégation. Le modèle a également découvert des variables ECG qui seraient autrement ignorées dans les directives cliniques comme indicatives de l’apparition future d’OMI, faisant ainsi progresser la compréhension des chercheurs sur le SCA.

conclusion

Dans la présente étude, les chercheurs ont développé et validé des modèles d’IA d’apprentissage automatique pour le diagnostic clinique et l’évaluation des risques des patients potentiels OMI. Ce modèle a classé avec précision les patients en groupes SCA et non SCA, les patients SCA étant en outre classés comme ayant un risque faible, intermédiaire et élevé d’OMI imminente.

Ce modèle surpasse les mesures commerciales actuellement disponibles et les cliniciens praticiens dans l’évaluation du risque d’OMI, même en l’absence de STEMI dans les rapports ECG des patients. En outre, le modèle a identifié 73 principaux inconvénients du risque d’OMI, dont certains avaient été largement ignorés dans les recommandations de diagnostic clinique.

Les implications cliniques de cette étude sont nombreuses, car elle peut aider les cliniciens dans l’évaluation en temps réel des rapports ECG et réduire les erreurs/biais visuels des praticiens.

Jusqu’à présent, les cliniciens n’avaient jamais eu d’outils sensibles ou hautement spécifiques qui permettraient l’identification ultra-précoce des OMI en l’absence d’un schéma STEMI.

Ce type de modèle peut aider à évaluer rapidement le risque du patient, permettant ainsi une intervention médicale rapide et, par conséquent, une réduction significative de la mortalité chez les patients atteints d’OMI.