IA-ECG pour la prédiction résolue dans le temps de l'ICFE

L'insuffisance cardiaque avec fraction d'éjection réduite (ICFEr) est associée à une morbidité et une mortalité substantielles dans le monde, et l'identification précoce des individus à risque reste un défi clinique majeur. Bien que les modèles de risque et les biomarqueurs existants puissent fournir des informations pronostiques, leur application est souvent limitée par la nécessité de tests de laboratoire ou d'imagerie, ainsi que par la variabilité des performances entre les populations.

Dans cette étude, nous développons un modèle de survie basé sur l'apprentissage profond en utilisant les données brutes d'électrocardiogramme (ECG) à 12 dérivations pour prédire la survenue future d'ICFEr. Le modèle est conçu pour générer des estimations de risque individualisées, temps jusqu'à l'événement, sur une période de suivi de 5 ans, permettant une évaluation dynamique des trajectoires de risque plutôt qu'une classification statique.

Le modèle est entraîné sur des données de l'Hôpital Zhongshan et validé de manière externe dans des cohortes indépendantes de l'Hôpital du Peuple Dix de Shanghai et du Centre Médical Beth Israel Deaconess. Ces cohortes incluent un large éventail de patients, allant des individus sans maladie cardiovasculaire connue à ceux présentant diverses conditions cliniques, permettant ainsi d'évaluer la généralisabilité du modèle à travers différents systèmes de santé et sous-groupes démographiques.

La performance du modèle est évaluée de manière exhaustive à l'aide de plusieurs métriques, incluant l'indice de concordance, l'aire sous la courbe ROC dépendante du temps, l'aire sous la courbe précision-rappel, le score de Brier, l'analyse de calibration et l'analyse de courbe de décision. La capacité de stratification du risque est évaluée à l'aide de l'analyse de survie de Kaplan-Meier.

Pour améliorer l'interprétabilité, des méthodes complémentaires basées sur la représentation et sur l'attention sont appliquées. Celles-ci incluent l'analyse des caractéristiques latentes dérivées d'autoencodeur variationnel, la corrélation avec les paramètres ECG conventionnels, et des techniques de visualisation basées sur le gradient pour identifier les régions des formes d'onde contribuant aux prédictions du modèle. Ces approches visent à garantir que le modèle capture des signaux physiologiquement significatifs associés au remodelage myocardique et à la dysfonction cardiaque.

Cette étude est de nature observationnelle et rétrospective et n'implique aucune intervention. Les résultats visent à soutenir le développement d'un outil non invasif, rentable et largement accessible pour la détection précoce des individus à risque d'ICFEr, avec des implications potentielles pour les stratégies préventives et la prise en charge clinique personnalisée.