Une étude européenne prospective et multicentrique vise à valider un système d'intelligence artificielle qui pourrait aider les médecins généralistes et les cardiologues à diagnostiquer l'insuffisance cardiaque plus tôt et plus précisément, ainsi qu'à stratifier le risque.
L’insuffisance cardiaque (IC) touche plus de 64 millions de personnes dans le monde et reste notoirement difficile à diagnostiquer, en particulier en médecine de premier recours, où des symptômes tels que la dyspnée, l’œdème et la fatigue se chevauchent avec d’autres pathologies courantes. Le dosage des peptides natriurétiques (NT-proBNP), outil de première intention actuel pour les médecins généralistes, présente une sensibilité élevée pour exclure l’IC mais une spécificité faible (environ 65 %), générant un grand nombre de faux positifs et de referrals inutiles. Par conséquent, jusqu’à deux tiers des patients adressés aux soins secondaires pour suspicion d’IC ne voient pas leur diagnostic confirmé par échocardiographie.
L’étude STRATIFYHF, publiée dans BMJ Open et dirigée par des chercheurs de l’Université de Newcastle et de l’Université de Coventry, vise à combler cette lacune en développant et en validant un système d’aide à la décision (SAD) basé sur l’intelligence artificielle (IA) pour la stratification du risque d’IC, le diagnostic et le suivi de la progression de la maladie.
STRATIFYHF (NCT06377319) est une étude de cohorte longitudinale et prospective recrutant jusqu’à 1 600 adultes âgés de ≥ 45 ans dans huit centres cliniques au Royaume-Uni, en Allemagne, en Italie, en Serbie, aux Pays-Bas et en Espagne.
Les participants sont répartis en deux groupes :
Les participants sont suivis pendant une durée maximale de 24 mois, avec des évaluations complètes, des antécédents médicaux, un examen clinique, des biomarqueurs sanguins, un ECG, une échocardiographie et des questionnaires sur la qualité de vie, répétés à la baseline et à 12 mois.
Au-delà des investigations standard, STRATIFYHF intègre plusieurs outils diagnostiques innovants :
Le SAD utilisera des approches d’apprentissage automatique, notamment des réseaux de neurones, des forêts aléatoires, des machines à vecteurs de support et le gradient boosting, entraînées sur des données longitudinales des patients pour prédire le délai avant l’apparition de l’IC et la progression de la maladie. Les prédictions du modèle seront rendues interprétables à l’aide de techniques d’explicabilité (LIME, valeurs de Shapley) afin de favoriser la confiance des cliniciens, et les performances seront rapportées à l’aide des métriques de sensibilité, spécificité, F1 et R², avec une validation indépendante utilisant un ensemble de test provenant de l’Université de Florence.
Les auteurs soutiennent que les outils actuels de stratification du risque d’IC sont limités et rarement mis en œuvre dans la pratique courante, laissant les médecins généralistes sans moyens adéquats pour affiner leurs décisions d’orientation. STRATIFYHF vise à produire un SAD validé, compatible avec une application mobile, qui pourrait réduire les referrals inutiles vers les soins secondaires, soutenir un diagnostic plus précoce et plus précis, et améliorer la prédiction de la progression de la maladie, des groupes de discussion et des entretiens avec des cliniciens et des patients alimentant la conception et l’utilisabilité de l’application mobile finale.
