Modèle pronostique de la fonction cardiaque à long terme après une embolie pulmonaire basé sur le signal électrocardique dynamique et les biomarqueurs circulants

L'embolie pulmonaire (EP) est une maladie cardiovasculaire hautement morbide et mortelle. Un dysfonctionnement ventriculaire droit (DVR) secondaire à une EP indique un mauvais pronostic et constitue une base essentielle pour la stratification du risque. Des études récentes ont montré que plus d'un tiers des patients continuent de souffrir de RVD un an après l'EP, les mécanismes et la régression restant flous. Bien que l'électrocardiographie (ECG) soit le test le plus couramment utilisé pour les maladies cardiaques, sa spécificité diagnostique pour l'EP est limitée.

Ces dernières années, l’intelligence artificielle (IA) a réussi à extraire des centaines de caractéristiques de données difficiles à reconnaître par l’œil humain. La corrélation entre les signes vitaux quotidiens surveillés par des appareils portables et les signes fonctionnels des maladies cardiovasculaires chroniques suggère le potentiel de l’IA dans la détection de la progression de la maladie. Il existe un manque de marqueurs spécifiques de la fonction ventriculaire droite après une EP, et l'importance et les changements de ces marqueurs dans la progression de la maladie n'ont pas encore été explorés.

Cette étude vise à développer un modèle prédictif de la progression de la RVD après PE en utilisant l'IA, combinant électromyographie, appareils portables et marqueurs de vitalité. Dans cette étude de cohorte prospective, 500 patients atteints d'EP aiguë à risque intermédiaire ou plus élevé ont été recrutés. Environ 200 patients atteints de RVD à leur sortie ont été suivis pendant un an, avec des données électromyographiques quotidiennes collectées à l'aide d'électromyographes portables. Des échantillons biologiques ont été collectés aux moments suivants : admission, sortie et suivi à 3, 6 et 12 mois et divers marqueurs inflammatoires ont été mesurés à l'aide d'un test multifactoriel sur des carottes de suspension liquide. Ces données ont été intégrées dans un modèle de diagnostic continu de la maladie basé sur une stratégie de mise à jour restrictive d’apprentissage profond.

Finalement, un algorithme continu de diagnostic et de pronostic de la maladie a été développé, produisant un modèle permettant de prédire la progression de la RVD après une PE en utilisant des tests multifactoriels sur des carottes de suspension liquide pour mesurer divers marqueurs inflammatoires.