Des chercheurs ont utilisé l’apprentissage automatique pour classer l’insuffisance cardiaque en cinq sous-types présentant des taux de mortalité différents, améliorant ainsi la prédiction de la progression de la maladie. L’équipe a également mis au point une application potentiellement utile qui permet d’identifier le sous-type d’insuffisance cardiaque d’un patient, ce qui peut améliorer les stratégies de traitement et les discussions entre le patient et le clinicien.
Une nouvelle étude menée par des chercheurs de l’UCL (University College London) a identifié cinq sous-types distincts d’insuffisance cardiaque, qui pourraient éventuellement être utilisés pour prédire les niveaux de risque futurs des patients.
L’insuffisance cardiaque est un terme général qui désigne l’incapacité du cœur à faire circuler efficacement le sang dans l’organisme. Toutefois, les méthodes de classification actuelles ne permettent pas de prédire avec précision l’évolution probable de la maladie.
Une étude récemment publiée dans Lancet Digital Health a analysé les données anonymes détaillées de plus de 300 000 personnes âgées de 30 ans et plus ayant reçu un diagnostic d’insuffisance cardiaque au Royaume-Uni sur une période de 20 ans. En utilisant diverses techniques d’apprentissage automatique, les chercheurs ont délimité cinq sous-types distincts de la maladie : apparition précoce, apparition tardive, liée à la fibrillation auriculaire (une condition qui provoque un rythme cardiaque irrégulier), métabolique (associée à l’obésité mais présentant une faible incidence de maladies cardiovasculaires), et cardiométabolique (associée à la fois à l’obésité et aux maladies cardiovasculaires).
Les chercheurs ont constaté des différences entre les sous-types en ce qui concerne le risque de décès des patients dans l’année suivant le diagnostic. Les risques de mortalité toutes causes confondues à un an étaient les suivants : apparition précoce (20 %), apparition tardive (46 %), liée à la fibrillation auriculaire (61 %), métabolique (11 %) et cardiométabolique (37 %).
L’équipe de recherche a également développé une application que les cliniciens pourraient potentiellement utiliser pour déterminer le sous-type d’une personne souffrant d’insuffisance cardiaque, ce qui pourrait potentiellement améliorer les prédictions de risque futur et éclairer les discussions avec les patients.
L’auteur principal, le professeur Amitava Banerjee (UCL Institute of Health Informatics), a déclaré : « Nous avons cherché à améliorer la classification de l’insuffisance cardiaque afin de mieux comprendre l’évolution probable de la maladie et de la communiquer aux patients. Actuellement, il est difficile de prédire l’évolution de la maladie pour chaque patient. Certaines personnes resteront stables pendant de nombreuses années, tandis que d’autres verront leur état s’aggraver rapidement.
« Une meilleure distinction entre les types d’insuffisance cardiaque peut également conduire à des traitements plus ciblés et nous aider à envisager différemment les thérapies potentielles.
« Dans cette nouvelle étude, nous avons identifié cinq sous-types robustes en utilisant plusieurs méthodes d’apprentissage automatique et plusieurs ensembles de données.
« L’étape suivante consiste à déterminer si cette méthode de classification de l’insuffisance cardiaque peut faire une différence concrète pour les patients – si elle améliore les prévisions de risque et la qualité des informations fournies par les cliniciens, et si elle modifie le traitement des patients. Nous devons également savoir si cette méthode est rentable. L’application que nous avons conçue doit être évaluée dans le cadre d’un essai clinique ou d’autres recherches, mais elle pourrait être utile dans les soins de routine.
Pour éviter les biais dus à une seule méthode d’apprentissage automatique, les chercheurs ont utilisé quatre méthodes distinctes pour regrouper les cas d’insuffisance cardiaque. Ils ont appliqué ces méthodes à des données provenant de deux grands ensembles de données de soins primaires britanniques, qui étaient représentatifs de la population britannique dans son ensemble et qui étaient également liés aux dossiers d’admission à l’hôpital et de décès. (Les ensembles de données étaient Clinical Practice Research Datalink (CPRD) et The Health Improvement Network (THIN), et couvraient les années 1998 à 2018).
L’équipe de recherche a entraîné les outils d’apprentissage automatique sur des segments de données et, après avoir sélectionné les sous-types les plus robustes, elle a validé ces regroupements en utilisant un ensemble de données distinct.
Les sous-types ont été établis sur la base de 87 facteurs (sur un total possible de 635), dont l’âge, les symptômes, la présence d’autres pathologies, les médicaments pris par le patient et les résultats de tests (par exemple, la pression artérielle) et d’évaluations (par exemple, la fonction rénale).
L’équipe a également examiné les données génétiques de 9 573 personnes souffrant d’insuffisance cardiaque dans le cadre de l’étude UK Biobank. Ils ont trouvé un lien entre des sous-types particuliers d’insuffisance cardiaque et des scores de risque polygénique plus élevés (scores de risque global dus à l’ensemble des gènes) pour des conditions telles que l’hypertension et la fibrillation auriculaire.
Référence : « Identification de sous-types d’insuffisance cardiaque à partir de trois sources de dossiers médicaux électroniques avec apprentissage automatique : an external, prognostic, and genetic validation study » par Amitava Banerjee, Ashkan Dashtban, Suliang Chen, Laura Pasea, Johan H Thygesen, Ghazaleh Fatemifar, Benoit Tyl, Tomasz Dyszynski, Folkert W Asselbergs, Lars H Lund, Tom Lumbers, Spiros Denaxas et Harry Hemingway, le 24 mai 2023, The Lancet Digital Health.
DOI: 10.1016/S2589-7500(23)00065-1
L’étude a été soutenue par le [email protected] Consortium de l’Initiative Médicaments Innovants-2 de l’Union européenne.