Des chercheurs ont entraîné et évalué un modèle d’apprentissage automatique basé sur les dossiers médicaux électroniques pour prédire l’insuffisance cardiaque chez 37 070 adultes. Cette approche s’appuie sur des variables cliniques de routine et obtient une performance élevée en matière de discrimination des risques.
Prédiction de l’Insuffisance Cardiaque à partir des Dossiers Médicaux Électroniques
Pour contrer les difficultés liées au diagnostic précoce — les symptômes étant souvent confondus avec le vieillissement normal ou le stress —, une équipe a développé et évalué plusieurs modèles prédictifs fondés sur les données cliniques de routine du programme de recherche All of Us.
La cohorte étudiée comprend 37 070 adultes, dont 13 577 patients atteints d’insuffisance cardiaque et 23 493 témoins sans cette pathologie. Les chercheurs ont volontairement exclu l’imagerie spécialisée, la génomique et les biomarqueurs avancés pour se concentrer exclusivement sur des variables facilement accessibles en pratique clinique courante, telles que l’âge, les signes vitaux, les résultats de laboratoire standard et les antécédents médicaux.
Performances du Modèle en Pile et Facteurs Déterminants
Les probabilités prédites ont été calibrées et ajustées à une prévalence réaliste de la population afin de fournir des estimations interprétables et une stratification claire des individus selon des niveaux de risque cliniquement exploitables.
Une analyse SHAP a permis d’isoler les cinq facteurs les plus influents dans les prédictions du modèle. Il s’agit de la fibrillation auriculaire, de l’âge, des troubles hypertensifs, du taux de sodium et de l’indice de privation neighborhood-level, d’après les résultats des analyses de variables. Un second essai multiclasse visant à distinguer l’insuffisance cardiaque avec fraction d’éjection réduite de celle à fraction préservée a affiché des résultats de discrimination inférieurs, avec un macro-AUC d’environ 0,87.
Déploiement Clinique et Perspectives de Recherche
Les auteurs soulignent que leur approche fournit un outil efficace pour les systèmes d’aide à la décision clinique basés sur l’intelligence artificielle, facilitant le dépistage à l’échelle de la population et les parcours de soins préventifs.
