Des chercheurs ont développé des modèles d'intelligence artificielle capables d'analyser les dossiers de santé électroniques et les électrocardiogrammes pour identifier les personnes de la population générale à risque élevé d'arrêt cardiaque soudain. Cette maladie, responsable de plus de 400 000 décès aux États-Unis chaque année avec un taux de survie d'environ 10 %, frappe souvent des patients sans antécédents cardiaques connus. L'équipe de recherche, dirigée par le Dr Neal Chatterjee de l'Université de Washington, a publié ses résultats dans la revue JACC: Advances, avec la participation de chercheurs du Massachusetts General Hospital et de l'Institut Broad du MIT et d'Harvard. Pour valider leur approche, les scientifiques ont testé leurs algorithmes sur une population de près de 1,7 million de patients issus d'un grand système de soins américain. Trois modèles distincts ont été entraînés sur des ensembles de données différents : un modèle utilisant uniquement l'électrocardiogramme (EKG), un autre basé exclusivement sur les dossiers de santé électronique (EHR) en pondérant 156 caractéristiques cliniques, et un modèle combiné intégrant les deux types de données. Lors des tests sur des données réelles, le modèle combiné a correctement identifié 153 patients sur 228 appartenant au groupe à haut risque qui ont effectivement subi un arrêt cardiaque par la suite. Selon le Dr Chatterjee, cette technologie permet d'enrichir significativement la prédiction des risques, faisant passer le taux de détection de 1 pour 1 000 à 1 pour 100. Une estimation de risque de un sur cent a des conséquences cliniques majeures, car elle attire immédiatement l'attention du patient et du médecin. Une découverte prometteuse est que l'analyse assistée par IA de l'électrocardiogramme à 12 dérivations, un outil peu coûteux et largement disponible, possède un pouvoir prédictif fort, légèrement inférieur seulement aux modèles intégrant également les dossiers médicaux. Cela suggère que cette méthode pourrait être déployée pour stratifier les risques dans n'importe quelle communauté, partout dans le monde. L'étude a également mis en lumière des facteurs de risque associés à l'arrêt cardiaque qui ne relèvent pas typiquement des maladies cardiovasculaires. Parmi les indicateurs détectés figurent les désordres électrolytiques, l'usage de substances et les interactions médicamenteuses. Ces éléments représentent des facteurs modifiables, que l'équipe appelle des « fruits mûrs ». Un modèle identifiant un patient à haut risque pourrait inciter les soignants à réexaminer son historique médical et ses prescriptions pour atténuer ces risques. Malgré ces résultats prometteurs, les auteurs soulignent la nécessité d'études supplémentaires pour déterminer les meilleures réponses cliniques lorsqu'un modèle signale un risque élevé. Il reste à préciser quelles études de suivi, quels dépistages ou quelles interventions sont nécessaires pour ces patients. Par ailleurs, l'étude présente certaines limites importantes. Toutes les données proviennent d'un seul système de soins, ce qui laisse incertaine la généralisabilité des résultats à d'autres populations présentant des profils démographiques et des schémas de soins différents. De plus, le groupe de population testé se limite aux individus ayant subi un électrocardiogramme, qui pourraient différer de ceux qui n'en ont pas fait l'objet. Il existe également un risque que les représentations de l'électrocardiogramme enrichies par l'IA reflètent des biais liés à la démographie ou aux pratiques de santé.