L’intelligence artificielle au service des cardiopathies congénitales de l’adulte : un cas de figure exemplaire

L’évaluation pronostique des cardiopathies congénitales de l’adulte est un exercice difficile qui inclut de fait et de plus en plus des données relevant de l’imagerie médicale. Les images obtenues par échocardiographie ou IRM révèlent des anomalies souvent complexes dont la valeur pronostique ne saute pas aux yeux, mais la remarque peut également s’appliquer, sous un autre angle, à l’ensemble des données cliniques et paraclinique qui interviennent potentiellement dans le devenir d’un patient donné, tout en guidant les stratégies thérapeutiques. Globalement, la masse des données constituent un matériau de choix pour l’intelligence artificielle (IA) friande de big data (au demeurant abondantes en cardiologie) et c’est l’exemple des cardiopathies congénitales de l’adulte qui sera pris pour illustrer le propos.

Les atouts et les méthodes de l’IA

L’IA dont les débuts remontent à ceux des premiers ordinateurs a connu une longue traversée du désert. C’est avec les progrès majeurs de l’informatique qu’elle a retrouvé son attrait et développé ses capacités. L’apprentissage machine a été une étape décisive, mais c’est l’apprentissage profond (deep learning) qui est à l’origine de ses performances les plus récentes et les plus impressionnantes au travers du développement des réseaux neuronaux à convolution propres à générer des algorithmes d’une efficacité croissante, quoique conditionnée par la qualité des données fournies en input à la machine.

Trois techniques d’apprentissage sont disponibles :

(1) avec supervision : c’est la plus couramment utilisée. Elle exige en entrée des données soigneusement étiquetées et ses applications sont la classification et la segmentation ;
(2) avec supervision nulle, faible ou partielle : applications plus spécifiques à type de dimensionnalité, de regroupement et de réduction d’un phénomène avec auto-encodage, le débruitage des images étant ainsi réalisable ;
(3) avec apprentissage par renforcement, la machine apprenant de ses propres erreurs à l’aide d’un système de récompenses et de pénalités établi par le programmeur : exemples du véhicule autonome ou encore des jeux vidéo.

L’exemple des cardiopathies congénitales de l’adulte

Les trois types d’IA précédemment définis qui reposent toutes sur l’apprentissage profond sont appelés à un grand avenir en cardiologie, notamment dans les cardiopathies congénitales de l’adulte. D’ores et déjà, la classification, la segmentation et le débruitage sont couramment utilisés pour analyser les images au point qu’en 2019, un article de Circulation était consacré à l’interprétation automatique des images échocardiographiques. L’étude du ventricule droit dans la transposition des gros vaisseaux est également à l'ordre du jour avec un algorithme capable de parvenir au diagnostic de cette cardiopathie congénitale. Son exactitude a été estimée à 99 % au prix d’un apprentissage profond supervisé, au moins partiellement, à partir de data de haute qualité.

Une autre application est l’évaluation pronostique et le choix d’une stratégie thérapeutique à partir des données des observations médicales, recueillies chez plus de 10 000 patients adultes (âge moyen 36,3 ± 17,3 ans) atteints d’une cardiopathie congénitale ou d’une hypertension artérielle pulmonaire et suivis entre 2000 et 2018 dans un seul centre spécialisé (2).

Ont été pris en compte : les données cliniques et démographiques ; les paramètres ECG ; des biomarqueurs sanguins pertinents ; les paramètres cardiorespiratoires du test d’effort. Les données brutes extraites des observations ont été intégrées dans des modèles prédictifs qui ont permis :

(1) d’établir des catégories diagnostiques ;
(2) de déterminer la classe de la NYHA (New York Heart Association) ;
(3) de donner un éclairage sur la complexité de la maladie et sur son pronostic.

Les performances de l’algorithme pour chacune des tâches précédemment définies se sont avérées satisfaisantes, l’exactitude dépassant dans tous les cas 90 %. Au terme d’un suivi médian de huit années, 785 patients sont décédés et le score clinique de sévérité défini par le programme a été corrélé à la survie, indépendamment des données démographiques, des tests d’effort, des paramètres ECG et des biomarqueurs.

L’avenir ?

L’utilité de l’IA et de l’apprentissage profond dans le domaine des cardiopathies congénitales de l’adulte semble se confirmer au fil des publications, mais d’ores et déjà, il est possible d’envisager les étapes futures qui peuvent d’ailleurs concerner d’autres domaines de la médecine.

Les algorithmes à venir pourraient intégrer les variables précédemment définies, mais aussi les données de l’imagerie (écho, IRM cardiaque etc.) pour aboutir à une prédiction de plus en plus fine du pronostic, voire à l’élaboration de stratégies thérapeutiques personnalisées. Cette perspective est encore lointaine mais, à la lueur des études actuelles, elle n’est pas sans venir à l’esprit, surtout quand on mesure l’explosion de la recherche et des publications dans le domaine de l’IA appliquée à la santé. L’esprit critique doit rester présent à chacune des étapes à venir sans sombrer dans le machinisme intégral. Ce qui suppose un haut degré de vigilance…

Dr Philippe Tellier

Références
Diller GP et coll. : Artificial intelligence in congenital cardiopathies. Journées Européennes de la Société Française de Cardiologie/JESFC 2020 (Paris) : 15-18 janvier 2020.

(1)Diller GP et coll. : Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 ; 40 (13) : 1069-1077.

Copyright © http://www.jim.fr

Réagir

Vos réactions

Soyez le premier à réagir !

Réagir à cet article

Les réactions sont réservées aux professionnels de santé inscrits et identifiés sur le site.
Elles ne seront publiées sur le site qu’après modération par la rédaction (avec un délai de quelques heures à 48 heures). Sauf exception, les réactions sont publiées avec la signature de leur auteur.


Lorsque cela est nécessaire et possible, les réactions doivent être référencées (notamment si les données ou les affirmations présentées ne proviennent pas de l’expérience de l’auteur).

JIM se réserve le droit de ne pas mettre en ligne une réaction, en particulier si il juge qu’elle présente un caractère injurieux, diffamatoire ou discriminatoire ou qu’elle peut porter atteinte à l’image du site.