Un modèle d’apprentissage profond automatise la détection des maladies valvulaires cardiaques graves

Source : Getty Images

Par Shania Kennedy

30 août 2023 - Des chercheurs de la Yale School of Medicine ont développé une approche d'apprentissage profond (DL) capable de détecter avec précision la sténose aortique en analysant les échographies cardiaques, selon une étude publiée la semaine dernière dans le European Heart Journal.

L'équipe de recherche a indiqué que la sténose aortique, une maladie cardiaque courante provoquée par le rétrécissement de la valvule aortique, est un facteur important de mortalité et de morbidité. La détection précoce de la maladie est essentielle pour prévenir ces conséquences, mais elle nécessite une imagerie échographique spécialisée du cœur, connue sous le nom d'échocardiographie Doppler.

L'échocardiographie Doppler est le principal test utilisé pour détecter la sténose aortique, mais la nature spécialisée de l'imagerie la rend inefficace et inaccessible pour une utilisation dans les efforts de détection précoce.

« Notre défi est qu’une évaluation précise de [la sténose aortique] est cruciale pour la prise en charge des patients et la réduction des risques. Bien que les tests spécialisés restent la référence, le recours à ceux qui se rendent dans nos laboratoires d'échocardiographie oublie probablement des personnes au début de leur état pathologique », a déclaré l'auteur principal Rohan Khera, MD, MS, professeur adjoint de médecine cardiovasculaire et d'informatique de la santé à Yale et directeur. de son laboratoire Cardiovascular Data Science (CarDS), dans un communiqué de presse détaillant l'étude.

L'objectif de l'équipe de recherche était de développer un modèle qui pourrait permettre le dépistage par échographie au point d'intervention afin de faciliter la détection précoce de la maladie.

Pour ce faire, les chercheurs ont développé le modèle d’apprentissage profond à l’aide de 5 257 études d’examens d’échocardiographie transthoracique (ETT) comprenant 17 570 vidéos entre 2016 et 2020 à l’hôpital Yale New Haven.

L'outil a ensuite été validé en externe à l'aide de 2 040 études consécutives de l'hôpital Yale New Haven, en plus de deux cohortes géographiquement distinctes de 4 226 et 3 072 études de Californie et d'autres hôpitaux de la Nouvelle-Angleterre.

Le modèle a atteint des performances élevées dans toutes les cohortes, atteignant une aire sous la courbe caractéristique de fonctionnement du récepteur de 0,978 dans l'ensemble de test. De plus, le DL a atteint une aire sous la courbe caractéristique de fonctionnement du récepteur de 0,952 dans la cohorte de Californie et de 0,942 dans la cohorte de la Nouvelle-Angleterre.

Ces résultats ont conduit les chercheurs à conclure que le modèle présentait une utilité potentielle pour la détection précoce de la sténose aortique.

« Notre travail peut permettre un dépistage communautaire plus large de la [sténose aortique], car les échographes portatifs peuvent de plus en plus être utilisés sans nécessiter d'équipement plus spécialisé. Ils sont déjà fréquemment utilisés dans les services d’urgence et dans de nombreux autres établissements de soins », a déclaré Khera.

Cependant, des recherches supplémentaires sont nécessaires avant que l’outil puisse être déployé en milieu clinique.

Des recherches antérieures visaient également à améliorer la détection de la sténose aortique grâce à l’intelligence artificielle (IA).

En 2021, les chercheurs de Kaiser Permanente ont démontré que le traitement du langage naturel (PNL) pouvait aider les cliniciens à identifier la sténose aortique.

Le modèle a été formé pour passer au crible les rapports d'échocardiogramme et les données DME afin de signaler les abréviations, les mots et les expressions associés à la maladie.

L'outil a ensuite rapidement identifié près de 54 000 patients répondant aux critères de sténose aortique, un processus qui, selon l'équipe de recherche, aurait pu prendre des années s'il était entrepris manuellement.