Les modèles d’IA identifient cinq types distincts d’insuffisance cardiaque, prédisant mieux le pronostic

Points clés à retenir:

• Les modèles d’apprentissage automatique ont identifié des sous-types distincts d’insuffisance cardiaque avec une précision prédictive pour la mortalité à 1 an.
• Les sous-types d’insuffisance cardiaque peuvent éclairer la prise en charge et le pronostic.

Les chercheurs ont identifié cinq sous-types distincts d’insuffisance cardiaque à l’aide de méthodes d’apprentissage automatique dans des ensembles de données représentatifs à l’échelle nationale qui peuvent prédire le pronostic et finalement guider les plans de traitement des patients.

L’étude, utilisant trois grands ensembles de données britanniques, est l’une des plus grandes analyses de dossiers de santé électroniques à ce jour pour utiliser l’apprentissage automatique dans la classification des sous-types et la prédiction des risques de HF, et a été la première à étudier plusieurs méthodes d’apprentissage automatique, plusieurs ensembles de données et plusieurs méthodes de validation. , Amitava Banerjee, MBBCh, DPhil, MA, MPH, professeur de science des données cliniques et cardiologue consultant honoraire à l’Institute of Health Informatics de l’University College London, et ses collègues ont écrit dans Lancet Santé numérique.

“L’apprentissage automatique peut être utilisé dans les données collectées en routine pour développer et valider des sous-types de maladies, qui peuvent être reproduits et avoir une valeur clinique”, a déclaré Banerjee à Healio. “Les cinq types d’IC ​​étaient basés sur des facteurs de risque communs, tels que l’âge au début de l’IC, les antécédents de maladie cardiaque, les antécédents de facteurs de risque cardiaques tels que le diabète et l’obésité, ou la fibrillation auriculaire, le problème de rythme cardiaque le plus courant. Les cinq sous-types d’IC ​​variaient considérablement dans leur pronostic, comme la mortalité à 5 ans.

Apprentissage automatique pour la prédiction

Amitava Banerjee

Dans une étude de pronostic et de validation génétique, les chercheurs ont analysé les données d’adultes atteints d’IC ​​incidente du Clinical Practice Research Datalink (CPRD ; n = 188 800) et du Health Improvement Network (THIN ; n = 124 262), ainsi que de la UK Biobank for validation (n = 9 573), de 1998 à 2018. Ils ont évalué plusieurs facteurs, notamment les informations démographiques, les antécédents, les examens, les valeurs de laboratoire sanguin et les médicaments. Les chercheurs ont identifié des sous-types à l’aide de quatre méthodes d’apprentissage automatique non supervisées (K-means, hiérarchique, K-medoids et regroupement de modèles de mélange) avec 87 des 645 facteurs dans chaque ensemble de données. Les chercheurs ont évalué les sous-types pour la validité externe dans les ensembles de données ; la validité pronostique, définie comme la précision prédictive de la mortalité à 1 an ; et la validité génétique (à l’aide des données de la UK Biobank), l’association avec le score de risque polygénique (PRS) pour les traits liés à l’IC (n = 11) et les polymorphismes d’un seul nucléotide (n = 12).

Après avoir identifié cinq grappes, les chercheurs ont étiqueté les sous-types d’IC ​​en tant qu’apparition précoce, apparition tardive, liée à la FA, métabolique et cardiométabolique.

Dans l’analyse de la validité externe, les sous-types étaient similaires dans tous les ensembles de données. Dans l’analyse de la validité pronostique, la mortalité toutes causes confondues à 1 an après le diagnostic d’insuffisance cardiaque différait selon les sous-types dans les données CPRD et THIN, tout comme le risque de maladies cardiovasculaires non mortelles et d’hospitalisations toutes causes confondues.

Dans l’analyse de la validité génétique, le sous-type lié à la FA a montré des associations avec le PRS apparenté. Les sous-types d’apparition tardive et cardiométabolique étaient les plus similaires et fortement associés au SRP pour l’hypertension, l’infarctus du myocarde et l’obésité (P .0009).

L’âge et le sexe variaient selon le sous-type, les participants les plus âgés étant généralement dans le sous-type à début tardif et les plus jeunes participants dans le sous-type à début précoce. La plupart des femmes ont été classées comme ayant une IC métabolique et peu de femmes ont été classées comme ayant une IC cardiométabolique. Dans l’ensemble de données THIN, le sous-type cardiométabolique présentait la prévalence la plus élevée de facteurs de risque et de maladies CV, notamment l’hypertension (72,9 %), l’obésité (4,7 %), le diabète (34,5 %) et les maladies cardiovasculaires athéroscléreuses (59,2 %).

« Nos sous-types ont montré une bonne précision dans et entre les ensembles de données, et une bonne précision prédictive pour les sous-types précoces, métaboliques et cardiométaboliques ; bien que moins précis pour les sous-types liés à la FA et à apparition tardive », ont écrit les chercheurs. “La raison exacte de ces différences de précision prédictive entre les sous-types ne peut être déterminée à partir de cette étude, mais pourrait être due à des changements plus nuancés des facteurs de risque et des trajectoires au fil du temps que ceux que nous avons capturés dans nos données ou nos modèles.”

Implications pour la pratique

Les chercheurs ont noté que les sous-types HF pourraient avoir des implications pour la recherche à la fois dans le DSE et avec l’apprentissage automatique pour identifier les sous-types HF dans les futurs essais cliniques et études observationnelles, ainsi que pour la gestion et le pronostic de l’HF dans la pratique clinique. Les chercheurs ont développé un prototype d’application pour une utilisation clinique de routine qui pourrait permettre d’évaluer l’efficacité.

“Les professionnels de la santé doivent s’assurer qu’ils interrogent leurs patients atteints d’IC ​​sur les facteurs de risque courants, car ces facteurs peuvent aider à comprendre le sous-type de personnes atteintes d’IC”, a déclaré Banerjee à Healio. « Les chercheurs doivent tester dans quelle mesure ces sous-types définis dans notre étude sont utilisables, généralisables et acceptables dans la pratique clinique. Ils devraient également se demander si des études comme la nôtre, qui utilisent l’intelligence artificielle, peuvent aider à mieux comprendre les processus pathologiques et la découverte de médicaments.

Pour plus d’informations:

Amitava Banerjee, MBBCh, DPhil, MA, MPH, peut être contacté à ami.banerjee@ucl.ac.uk ; Gazouillement : @amibanerjee1.