Entraînement de la machine et évaluation des performances de l’algorithme
Dans un premier temps, les réseaux neuronaux profonds qui sont
impliqués dans cette forme d’intelligence artificielle ont été
entraînés à la lecture de l’ECG et à la prédiction du risque de FA
à partir d’1,5 millions de tracés ECG enregistrés chez 430 000
patients entre 1984 et 2019. Ce trouble du rythme
supraventriculaire ne figurait pas parmi les antécédents des
participants. La capacité prédictive du modèle ainsi construit a
été éprouvée dans les 12 mois qui ont suivi l’inclusion dans la
cohorte de validation rétrospective.
Les performances diagnostiques ont été évaluées à partir de
l’analyse de la courbe ROC (receiver operating
characteristic) notamment de l’AUC (area under curve).
Il a été également fait appel à une autre courbe dite
precision-recall curve (PRC) ou courbe de rappel de
précision qui est le reflet de la relation entre la précision et le
rappel à mesure que le seuil de décision varie. Le rappel n’est
autre que la capacité à détecter tous les échantillons positifs,
tandis que la précision est la capacité à éviter les faux positifs.
Le rapport rappel /précision dépend du seuil et des objectifs
poursuivis dans l’étude en faisant quelque part appel à un
compromis qui intègre la notion de rapport bénéfice/risque.
L’analyse de survie sans évènement a été réalisée là aussi
rétrospectivement sur une période de 30 années après la
stratification du risque définie par les prédictions du
modèle.
Sept fois plus de FA chez les sujets jugés à haut risque
En ce qui concerne l’évaluation du risque de FA de novo à un an (incluant la détection des FA paroxystiques), l’AUC sous la courbe ROC a été estimée à 0,85 ce qui est bien et à 0,22 pour la courbe PRC, ce qui l’est moins. Le risque de développer une FA en l’espace de 30 années était multiplié par plus de sept (hazard ratio = 7,2 ; IC95 %, 6,9–7,6) chez les participants jugés à haut risque par l’algorithme versus ceux jugés à faible risque. Dans le scénario du monde réel, le modèle a prédit le risque de FA à un an avec une sensibilité de 69 % et une spécificité de 81 %. Le nombre de cas à analyser pour identifier un cas de haut risque de FA a été estimé à 9. Finalement, le modèle a rétrospectivement identifié 62 % des patients victimes d’un AVC dans les trois ans qui ont suivi l’analyse de l’ECG par l’algorithme.Prometteur… à suivre
Un modèle d’apprentissage profond prometteur entre les mains de ceux qui l’ont élaboré : les étapes suivantes passent par son développement et sa validation prospective sur une grande échelle, ce qui vaut pour tous les algorithmes construits à l’aide de l’intelligence artificielle. Les perspectives qui découleraient de cette validation sont immenses si l’on prend en compte la prévalence élevée de la FA et de ses complications thrombo-emboliques. Prédire le risque de FA bien en amont de ces dernières reste un défi immense qui est peut-être accessible à de tels modèles. A suivre …Dr Catherine Watkins
