Un nouvel outil d’intelligence artificielle baptisé ECG-CLIP, présenté le 1er septembre 2026, permet d’analyser des électrocardiogrammes pour détecter des maladies cardiaques.
Depuis plus d’un siècle, l’électrocardiogramme classique enregistre l’activité électrique du cœur pour surveiller le rythme et la fréquence cardiaques. Cet examen rapide et non invasif s’avère toutefois impuissant à détecter directement certaines maladies structurelles sans examens complémentaires. Des chercheurs et des cliniciens cherchent aujourd’hui à franchir cet obstacle en extrayant des informations inédites de ce test centenaire.
L’algorithme ECG-CLIP et l’apprentissage à partir de données limitées
Présenté le 1er septembre 2026 dans la revue Lancet Digital Health, le modèle ECG-CLIP a été développé par des scientifiques de Scripps Research. L’outil a été entraîné sur plus de 1,7 million d’électrocardiogrammes provenant de plus de 540 000 personnes, associés aux notes des cliniciens. Cette approche permet au système d’intégrer la physiologie globale de l’examen plutôt que de dépendre de millions d’exemples annotés pour chaque pathologie.
L’équipe de recherche a soumis le modèle à plusieurs tests comparatifs face à des bases de référence supervisées et à d’autres fondations d’IA. Giorgio Quer, auteur senior et professeur assistant en médecine numérique à Scripps Research, souligne la portée de cette méthode.
Giorgio Quer, auteur senior et professeur assistant en médecine numérique à Scripps Research, a déclaré que leur nouvel algorithme n’a besoin de voir que de l’ordre d’une douzaine d’ECG confirmés d’une maladie spécifique pour détecter cette maladie à l’avenir, précisant que cela est similaire à la manière dont un clinicien apprend — non pas à partir d’un million d’exemples, mais en comprenant d’abord la physiologie générale sous-jacente à un ECG avant de voir quelques cas spécifiques.
Cette capacité à fonctionner avec un nombre restreint d’exemples s’avère particulièrement utile pour les maladies rares où les données labellisées font défaut. De plus, l’outil s’est montré performant en utilisant des enregistrements à une seule dérivation, facilitant son usage dans des environnements aux ressources restreintes.
Les essais cliniques et la détection rapide de l’insuffisance cardiaque
Parallèlement, les avancées de cette technologie ont été exposées devant des milliers de délégués au congrès annuel de la Société européenne de cardiologie à Munich. Selon l’analyse menée à l’Imperial College London sur un essai incluant 67 000 patients aux États-Unis, le dispositif a réussi à identifier jusqu’à un certain pourcentage des cas d’insuffisance cardiaque et jusqu’à d’autres proportions des cas de valvulopathie.
La technologie, soutenue par la British Heart Foundation et conçue avec la contribution de Cardiovolt.ai, fournit une lecture en moins de deux secondes. Les spécialistes rappellent toutefois que l’outil ne pose pas de diagnostic définitif de manière isolée. Il sert de système d’alerte précoce pour orienter les patients vers un examen d’imagerie.
Le professeur Fu Siong Ng, professeur de cardiologie à l’Imperial College London, a indiqué que les patients doivent souvent attendre plusieurs mois pour une échographie cardiaque après y avoir été orientés par leur médecin, ajoutant que cela rend particulièrement enthousiasmant le fait que leur technologie puisse identifier les patients les plus à risque d’insuffisance cardiaque et de maladie valvulaire cardiaque, afin qu’ils puissent être priorisés pour des examens plus rapidement et plus urgemment.
Du point de vue de la santé publique, l’intérêt réside également dans le dépistage opportuniste. Le modèle pourrait analyser l’ensemble des électrocardiogrammes réalisés en milieu hospitalier afin d’identifier des signaux faibles chez des patients ne présentant aucun symptôme suspect, réduisant ainsi les délais de prise en charge.
Perspectives d’interprétation et limites cliniques
L’un des défis majeurs des modèles d’intelligence artificielle en médecine demeure l’opacité de leurs décisions.
Les cliniciens soulignent que si ces technologies permettent d’accélérer l’orientation des cas urgents, elles nécessitent une validation continue et une intégration progressive dans les protocoles hospitaliers habituels.