Un nouveau modèle pour évaluer le risque cardiovasculaire à partir du coroscanner

Selon une étude publiée dans la revue Radiology, le machine learning est plus efficace que les modèles d'identification du risque cardiovasculaire.

Des informations fonctionnelles issues du coroscanner

Les maladies cardiovasculaires sont la principale cause de décès, tant chez les hommes que chez les femmes, et la prévention des risques est cruciale. Cependant, l'identification de ce risque est une science imparfaite et les modèles existants, tels que le score de risque de Framingham, ont des limites, car ils ne tiennent pas directement compte de l’état des artères coronaires.

Le coroscanner (CCTA) est un outil prometteur pour affiner l'évaluation du risque - tellement prometteur qu'un groupe de travail multidisciplinaire a récemment introduit un système de notation permettant d'en résumer les résultats. L'outil d'aide à la décision, appelé système de notification et de traitement des maladies coronariennes (CAD-RADS), qui met l'accent sur les sténoses, est un outil de choix dans la gestion des patients cardiaques, mais son intérêt pour les sténoses peut laisser de côté des informations importantes sur les artères, selon l'auteur principal de l'étude, le Pr Kevin M. Johnson, professeur agrégé de radiologie et d'imagerie biomédicale à l'école de médecine de Yale à New Haven, dans le Connecticut.

Un algorithme de machine learning pour évaluer le risque cardiovasculaire

Constatant que le CCTA ne montre pas que des sténoses, le Dr Johnson a récemment étudié un système de machine learning capable d’exploiter la myriade de détails contenus dans ces images pour obtenir un tableau pronostique plus complet. "En partant de zéro, j'ai utilisé les données du coroscanner, dit-il en préambule. Chaque patient possédait 64 caractéristiques fonctionnelles que j'ai intégrées à un algorithme de machine learning. L'algorithme est capable d'extraire les modèles dans les données et de prédire que les patients présentant certains modèles sont plus susceptibles d'avoir un événement cardiovasculaire que des patients présentant d'autres modèles. "

Des résultats meilleurs que pour le score CAD-RADS

Pour l’étude, le Dr Johnson et ses collègues ont comparé l’approche de machine learning à un système CAD-RADS et à d’autres systèmes de notation de vaisseaux chez 6 892 patients. Ils ont suivi les patients pendant une moyenne de neuf ans après le CCTA. Il y a eu 380 décès de toutes causes, dont 70 de coronaropathie. En outre, 43 patients ont signalé des crises cardiaques. Comparée à CAD-RADS et à d’autres scores, l’approche machine learning différenciait mieux les patients à risque de maladie cardiovasculaire. C'est ainsi que le score de machine learning recommandait la prise de statines pour 93% des patients, contre seulement 69% si on se basait sur CAD-RADS. "L’estimation du risque que vous obtenez en utilisant le modèle machine learning est plus précise que celui que vous obtiendrez si vous utilisez CAD-RADS, poursuit le Dr Johnson. Les deux méthodes donnent de meilleurs résultats que l’utilisation de l’estimation du risque de Framingham. Cela montre l'intérêt d'explorer les artères coronaires pour mieux estimer le risque des personnes. "

Pouvoir se baser sur un schéma global des facteurs de risques

Si le machine learning pouvait améliorer la notation des vaisseaux, il renforcerait la contribution de l’imagerie non invasive à l’évaluation du risque cardiovasculaire. De plus, les scores de vaisseaux obtenus par cette méthode pourraient être combinés à des facteurs de risque non liés à l'image, tels que l'âge, le sexe, l'hypertension et le tabagisme, afin de développer des modèles de risque plus complets. Cela bénéficierait à la fois aux médecins et aux patients. "Une fois que vous utilisez un outil comme celui-ci pour vous aider à évaluer le risque d'une personne, vous pouvez alors lui faire prendre des statines ou maîtriser son taux de glucose, cesser de fumer, contrôler son hypertension, car ce sont les grands facteurs de risque modifiables." Conclut-il.

Le Dr Johnson travaille actuellement sur un document qui exploite les résultats de cette étude et les intègre dans schéma d'ensemble avec des facteurs de risque autres que l'imagerie.