Évaluer le risque cardiovasculaire à 10 ans avec une radiographie pulmonaire

Les guidelines actuelles recommandent d'estimer le risque sur 10 ans d'événements cardiovasculaires indésirables majeurs afin d’estimer la pertinence de la prescription de statine en prévention primaire.

Un modèle de deep learning pour identifier le risque cardiovasculaire sur une radiographie pulmonaire

On identifie alors le score de risque de maladie cardiovasculaire athéroscléreuse (ASCVD), un modèle statistique qui prend en compte une multitude de variables, notamment l'âge, le sexe, la race, la pression artérielle systolique, le traitement de l'hypertension, le tabagisme, le diabète de type 2 et les examens sanguins. C’est dans ce contexte que des chercheurs américains ont tenté d’utiliser le deep learning pour évaluer ce risque sur des images radiographiques pulmonaires et ainsi trouver des modèles associés à la maladie.

« Notre modèle de deep learning offre une solution potentielle pour le dépistage opportuniste du risque de maladie cardiovasculaire basé sur la population à l'aide d'images radiographiques pulmonaires existantes, annonce l'auteur principal de l'étude, le Dr Jakob Weiss, radiologue affilié au Cardiovascular Imaging Research Center du Massachusetts qui a présenté ce travail lors du dernier congrès de la RSNA. Ce type de dépistage pourrait être utilisé pour identifier les personnes qui bénéficieraient de statines mais qui ne sont actuellement pas traitées. Les variables nécessaires pour calculer le risque d'ASCVD ne sont souvent pas disponibles, ce qui rend souhaitables les approches de dépistage basées sur la population, ajoute-t-il. Comme les radiographies pulmonaires sont couramment disponibles, notre approche peut aider à identifier les personnes à haut risque ».

Un modèle vérifié sur une deuxième cohorte indépendante

Le Dr Weiss et son équipe ont formé un modèle de deep learning à l'aide d'une seule entrée de radiographie pulmonaire. Ils ont développé le modèle, connu sous le nom de risque CXR-CVD, pour prédire le risque de décès par maladie cardiovasculaire à partir de 147 497 radiographies pulmonaires de 40 643 participants à l'essai de dépistage du cancer de la prostate, du poumon, colorectal et de l'ovaire, un essai multicentrique randomisé, essai contrôlé conçu et parrainé par le National Cancer Institute. « Nous savons depuis longtemps que les rayons X capturent des informations au-delà des résultats de diagnostic traditionnels, mais nous n'avons pas utilisé ces données car nous n'avions pas de méthodes robustes et fiables, poursuit le Dr Weiss. Les progrès de l'IA rendent cela possible maintenant ».

Les chercheurs ont testé le modèle en utilisant une deuxième cohorte indépendante de 11 430 patients ambulatoires (âge moyen 60,1 ans ; 42,9 % d'hommes) qui ont fait l’objet d’une radiographie pulmonaire ambulatoire de routine au Brigham and Women’s Hospital de Boston et qui étaient potentiellement éligibles à un traitement par statine. Sur 11 430 patients, 1 096, soit 9,6 %, ont été touchés par un événement cardiaque indésirable majeur au cours du suivi médian de 10,3 ans. Il y avait une association significative entre le risque prédit par le modèle de deep learning du risque CXR-CVD et les événements cardiaques majeurs observés.

La radiographie pulmonaire, au-delà des approches diagnostiques classiques

Les chercheurs ont également comparé la valeur pronostique du modèle à la norme clinique établie pour décider de l'éligibilité aux statines. Cela n'a pu être calculé que pour 2 401 patients (21 %) en raison de données manquantes (par exemple, tension artérielle, cholestérol) dans le dossier patient. Pour ce sous-ensemble de patients, le modèle de risque CXR-CVD a fonctionné de manière similaire à la norme clinique établie et a même fourni une valeur supplémentaire.

« La beauté de cette approche est que vous n'avez besoin que d'une radiographie, qui est réalisée des millions de fois par jour à travers le monde, remarque le Dr Weiss. Sur la base d'une seule image de radiographie pulmonaire existante, notre modèle de deep learning prédit les futurs événements cardiovasculaires indésirables majeurs avec des performances similaires et une valeur supplémentaire par rapport à la norme clinique établie. » Le Dr Weiss précise que des recherches supplémentaires, notamment un essai contrôlé et randomisé, sont nécessaires pour valider ce modèle deep learning, qui pourrait finalement servir d'outil d'aide à la décision pour les médecins traitants.

« Ce que nous avons montré, c'est qu'une radiographie pulmonaire est plus qu'une radiographie pulmonaire, conclut le Dr Weiss. Avec une approche comme celle-ci, nous obtenons une mesure quantitative, ce qui nous permet de fournir à la fois des informations diagnostiques et pronostiques qui aident le clinicien et le patient. »