Un modèle d'IA identifie les patients à haut risque de fibrillation auriculaire avant l'apparition des symptômes
Un outil d'apprentissage automatique utilisant des dossiers de santé courants identifie les patients prédisposés à la fibrillation auriculaire avec une probabilité de diagnostic environ 8 fois plus élevée, permettant une prévention ciblée des AVC.
Résumé
La fibrillation auriculaire passe souvent inaperçue jusqu'à la survenue d'un AVC. Des chercheurs ont développé FIND-AF 2.0, un modèle d'apprentissage automatique par forêt aléatoire qui utilise l'âge, le sexe et 10 pathologies courantes issues des dossiers médicaux électroniques pour prédire quels patients développeront une FA dans les six mois. Validé sur plus de 13 millions de patients dans cinq pays, le modèle a démontré de bonnes performances à l'échelle mondiale. Lors d'un test prospectif, les patients à haut risque avaient plus de huit fois plus de chances de recevoir un diagnostic de FA durant trois semaines de surveillance par ECG portable que les patients à faible risque. La quasi-totalité des patients nouvellement diagnostiqués ont ensuite débuté un traitement anticoagulant. Dans un registre finlandais, une FA non traitée chez des individus à haut risque a provoqué des AVC à un taux de six pour cent patients-années — une charge sérieuse et évitable. Cette approche pourrait rendre le dépistage ciblé à grande échelle de la FA réalisable grâce aux données de santé existantes.
Résumé détaillé
La fibrillation auriculaire est le trouble du rythme cardiaque le plus fréquent chez les personnes âgées et l'une des principales causes d'accident vasculaire cérébral — pourtant, elle passe souvent inaperçue jusqu'à la survenue d'un événement grave. Un dépistage plus précoce, en particulier chez les personnes présentant le risque d'AVC le plus élevé, pourrait sauver des vies. Cette étude visait à élaborer, valider et tester de manière prospective un outil de dépistage basé sur l'IA afin d'identifier les patients pour lesquels le dépistage est le plus pertinent.
Les chercheurs ont développé FIND-AF 2.0, un modèle d'apprentissage automatique par forêt aléatoire entraîné sur des dossiers médicaux électroniques. Il utilise uniquement l'âge, le sexe et dix comorbidités courantes pour prédire l'apparition d'une nouvelle fibrillation auriculaire dans les six mois. Le modèle a été validé dans cinq pays — le Royaume-Uni, le Japon, Israël, le Canada et la Chine — portant sur plus de 13 millions de patients, et a été comparé à des scores de risque existants, dont le CHA2DS2-VASc.
Le modèle a montré une discrimination bonne à excellente dans toutes les cohortes, avec des AUROC allant de 0,747 à 0,835. Il a surpassé à la fois le CHA2DS2-VASc et le C2HEST, et a présenté des performances régulièrement bonnes chez les hommes comme chez les femmes. Dans une étude prospective portant sur 1 923 participants répartis sur 15 sites cliniques, les patients classés à haut risque par FIND-AF 2.0 ont reçu un diagnostic de fibrillation auriculaire à un taux de 4,5 %, contre seulement 0,6 % chez les patients à faible risque — un odds ratio supérieur à huit.
Les implications cliniques sont considérables. Parmi les cas détectés, la charge médiane en fibrillation auriculaire était de 33 %, et 96 % des patients ont débuté un traitement par anticoagulants oraux. L'analyse d'un registre finlandais a montré que les patients à haut risque atteints de fibrillation auriculaire non traitée présentaient des accidents ischémiques cérébraux à raison de 6 événements pour 100 patients-années — un bilan évitable si le dépistage permet de les identifier plus tôt.
Pour les cliniciens et les patients soucieux de longévité, cette recherche démontre que le risque cardiovasculaire lié au vieillissement peut être pris en charge de manière proactive en exploitant les données existantes. Les réserves à formuler incluent le recours à des données au niveau des résumés, la variabilité possible de la qualité des données des dossiers médicaux électroniques selon les systèmes de santé, ainsi que la nécessité d'études à plus long terme sur les résultats cliniques pour confirmer la réduction des AVC grâce à un dépistage ciblé.
Principales conclusions
- FIND-AF 2.0 achieved AUROCs of 0.75–0.84 across five countries, outperforming existing AF risk scores.
- High-risk patients were 8.5x more likely to be diagnosed with AF during 3-week ECG screening than low-risk patients.
- 96% of newly detected AF patients in high-risk group initiated oral anticoagulants, enabling stroke prevention.
- Untreated AF in high-risk patients caused ischemic stroke at 6 events per 100 patient-years in a Finnish registry.
- The model uses only age, sex, and 10 comorbidities from routine EHR data, making it broadly scalable.
Méthodologie
Les chercheurs ont entraîné un modèle de forêt aléatoire sur des données de dossiers médicaux électroniques provenant de plus de 13 millions de patients répartis dans cinq pays, puis l'ont validé en externe dans chacune de ces populations. Un bras prospectif a recruté 1 923 participants âgés de 30 ans et plus présentant un risque élevé d'AVC, qui ont effectué quatre enregistrements ECG par jour pendant trois semaines à l'aide d'un appareil portable. Le risque d'AVC en cas de FA non traitée a été évalué à partir du registre finnois FinACAF, portant sur 229 565 patients atteints de FA.
Limites de l'étude
Le texte intégral de l'article n'était pas disponible ; ce résumé est basé uniquement sur le résumé de l'abstract. La qualité des données des dossiers médicaux électroniques et les pratiques de codage varient selon les systèmes de santé, ce qui peut affecter les performances du modèle lors d'un déploiement en conditions réelles. Des données probantes issues d'essais randomisés à long terme démontrant que le dépistage guidé par le risque réduit effectivement les taux d'AVC restent encore nécessaires.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :