Utilisation de l'IA dans la prédiction des risques cardiométaboliques chez les Indiens d'Asie

L'IA est un terme qui englobe l'apprentissage automatique (ML), l'apprentissage en profondeur, l'apprentissage supervisé, l'apprentissage non supervisé, les réseaux de neurones artificiels (ANN) et les réseaux de neurones convolutifs (CNN). Un composant essentiel de l'IA, ML, est de plus en plus utilisé dans les applications de soins de santé (Shah, Patel et Bharti, 2020), car il s'agit d'un domaine interdisciplinaire qui utilise des techniques pour permettre aux ordinateurs d'examiner des ensembles de données sans programmation explicite. Le ML implique le développement d'un modèle ou d'un algorithme en extrayant soigneusement les caractéristiques essentielles des données de formation utilisées à des fins de test. Les données de test sont utilisées pour faire des prédictions sur les problèmes de recherche. Le ML peut être efficacement résumé comme suit : extraction de caractéristiques, sélection de la technique d'analyse des données, formation du nouveau modèle et évaluation de son efficacité, et réalisation de prédictions à l'aide du modèle formé. L'apprentissage supervisé et non supervisé est une forme d'apprentissage automatique. Dans l'apprentissage supervisé, des ensembles de données connus sont utilisés pour comprendre les modèles dans les ensembles de données, tandis que dans l'apprentissage non supervisé, des ensembles de données non étiquetés sont utilisés pour comprendre les données (Mathur et al., 2020).

Les structures d'apprentissage en profondeur utilisent de nombreuses couches de calcul. DL est principalement utilisé pour le traitement d'ensembles de données volumineux et bruts. Dans ANN, plusieurs algorithmes d'apprentissage automatique fonctionnent ensemble et traitent les entrées de données, mais dans CNN, des nœuds cachés existent dans des couches pour les informations, les données complexes et le traitement des images. Avec les progrès rapides de l'IA, du ML et du DL, les programmes informatiques peuvent simuler efficacement l'activité neuronale du néocortex du cerveau où le raisonnement, la pensée et les fonctions cognitives se déroulent à un rythme rapide (Mathur et al., 2020).

Dans le domaine de la médecine cardiovasculaire, l'IA a de nombreuses applications dans la pharmacothérapie, la pharmacogénomique, l'insuffisance cardiaque, les études d'imagerie et le diagnostic. Il est important de noter que l'IA a la capacité de fournir des mécanismes pour appliquer la médecine de précision et les mégadonnées en médecine tout en améliorant l'efficacité du schéma thérapeutique conseillé par le cardiologue. De plus, les algorithmes AI/ML peuvent analyser les données sans hypothèses à des fins de prédiction et de classification. Ainsi, la médecine cardiovasculaire peut bénéficier remarquablement de l'incorporation et de l'utilisation judicieuse de l'IA (Romiti et al., 2020).

Les troubles cardiométaboliques (CMD), y compris l'infarctus du myocarde, les accidents vasculaires cérébraux et le diabète sucré de type 2 (T2DM), sont liés à une morbidité et une mortalité accrues, et il est connu que le mode de vie et le niveau d'exercice d'un individu sont des facteurs de risque importants pour les maladies cardiovasculaires. Cela est particulièrement vrai pour les patients qui passent beaucoup de temps à faire un travail sédentaire, qui ont une mobilité limitée ou qui trouvent difficile de maintenir des quantités acceptables d'exercice, sans parler d'atteindre les niveaux modérés à vigoureux recommandés pour la santé cardiométabolique (Landry et al. , 2022).

Les Indiens d'Asie sont l'un des groupes ethniques les plus en croissance au monde et ont l'un des taux les plus élevés de maladies cardiovasculaires (MCV), y compris le DT2 (Van Niel et al., 2021) maladie coronarienne (y compris les événements cardiovasculaires indésirables majeurs ou MACE) . Plusieurs causes de maladies cardiovasculaires ont été identifiées, telles que l'adoption de schémas et d'habitudes alimentaires occidentaux, une prédisposition génétique, un déséquilibre des lipoprotéines et l'obésité abdominale. Certaines influences périnatales sont également considérées comme des contributeurs possibles.

Une consommation élevée d'AGPI oméga-6 et de graisses saturées est significativement corrélée à l'hyperinsulinémie à jeun et à l'inflammation subclinique. Ces régimes alimentaires déséquilibrés contribuent à la prévalence élevée de la résistance à l'insuline, du syndrome métabolique et du DT2 chez les Indiens d'Asie (Isharwal, Misra, Wasir et Nigam, 2009). De plus, des facteurs génétiques, culturels et socio-économiques ont également entraîné cette crise des soins de santé. Des études ont constamment montré que les Indiens d'Asie ont une prévalence élevée de résistance à l'insuline, ce qui augmente leur tendance à développer le DT2 et les MCV à un plus jeune âge par rapport aux individus d'autres ethnies (Misra & Vikram, 2004). Les raisons importantes pourraient être leur excès de graisse corporelle et leur structure de graisse corporelle défavorable, y compris l'adiposité abdominale, même lorsque l'indice de masse corporelle se situe dans les limites normales actuellement définies. Certaines de ces caractéristiques ont été signalées à la naissance et dans l'enfance.

L'American Diabetes Association (ADA) a abaissé le seuil d'IMC (par rapport aux Caucasiens) pour le dépistage du DT2 chez les Sud-Asiatiques. Certains des problèmes rencontrés sont : la variabilité dans la stratification des risques cliniques ; manque de lignes directrices établies pour l'imagerie de l'athérosclérose et rareté des données pour la formulation de lignes directrices cliniques significatives chez les personnes d'origine indienne asiatique.

La population d'Indiens d'Asie augmente aux États-Unis à un rythme rapide (Gujral & Kanaya, 2021). Une étude récente de l'American Heart Association (AHA) souligne la prévalence et la mortalité croissantes associées aux MCV dans cette ethnie, principalement dues à la résistance à l'insuline et à l'incidence accrue du DT2. Les Indiens sont représentatifs d'un groupe d'immigrants très prospères avec des revenus plus élevés et de meilleurs indicateurs sociaux et économiques. Les données préliminaires obtenues à partir de cette étude basée sur l'IA permettront à notre équipe d'obtenir les fonds nécessaires pour une recherche prospective à long terme dans ce domaine.