Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarScience Daily AI→ original

Une IA analysant un ECG ordinaire repère un groupe où 7 % des patients meurent subitement chaque année, contre 4,6 % avec le critère habituel

Aux États-Unis, plus de 300 000 personnes meurent chaque année d'un arrêt cardiaque, et les médecins savent mal qui doit recevoir un défibrillateur à l'avance. Une IA de Berkeley, entraînée sur 440 000 ECG suédois, a isolé un groupe où 7 % des patients meurent dans l'année ; le critère habituel, le volume de sang éjecté par le cœur à chaque battement, produit un groupe à 4,6 %. Il suffit d'ECG ordinaires issus des archives hospitalières, sans nouvel examen.

Traité par IA depuis Science Daily AI ; édité par Hamidun News
Une IA analysant un ECG ordinaire repère un groupe où 7 % des patients meurent subitement chaque année, contre 4,6 % avec le critère habituel
Source : Science Daily AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireScience Daily AI ↗
Rédacteur en chef
Chiffre clé #1La vérification à San Diego et à Taipei a montré que le signal fonctionne aussi hors de Suède
Chiffre clé #2Environ deux tiers des défibrillateurs implantés ne se déclenchent jamais
Chiffre clé #3La constitution des trois jeux de données a pris une dizaine d'années

Imaginez un système d'alerte qui doit signaler les utilisateurs susceptibles de partir, mais qui se trompe de cibles et laisse passer les cas les plus graves. C'est à peu près ainsi que fonctionne aujourd'hui la médecine face à l'arrêt cardiaque subit. Le traitement existe : le défibrillateur implantable interrompt un trouble du rythme dangereux par une décharge électrique.

Mais il est presque impossible de savoir à l'avance qui en a besoin. Des chercheurs de l'Université de Californie à Berkeley ont entraîné un réseau de neurones à chercher un indice dans un ECG ordinaire, et publient leurs résultats dans la revue Nature. Le groupe de patients sélectionné par l'IA s'avère plus à risque : 7 % des personnes qui le composent meurent d'un arrêt cardiaque subit dans l'année.

Dans le groupe constitué selon le critère standard des médecins (la capacité du cœur à éjecter le sang à chaque contraction), ce taux atteint 4,6 %. En d'autres termes, l'IA a identifié avec plus de précision ceux qui risquent réellement de subir un drame.

Pourquoi le dépistage actuel est insuffisant

Aux États-Unis, plus de 300 000 personnes meurent chaque année d'un arrêt cardiaque subit. Il ne s'agit pas d'un infarctus : lors d'un infarctus, une artère se bouche, alors qu'ici c'est le système électrique qui commande le rythme cardiaque qui défaille. Environ 90 % des personnes victimes d'un arrêt en dehors de l'hôpital meurent en quelques minutes.

Aujourd'hui, la décision de poser un défibrillateur repose surtout sur le volume de sang que le cœur éjecte à chaque battement. Si la pompe fonctionne en dessous d'un seuil, le patient est considéré comme candidat à l'implantation. Cette méthode présente deux faiblesses. D'une part, cette mesure nécessite un examen spécifique que de nombreux futurs malades ne passent pas, faute de signes d'alerte. D'autre part, environ deux tiers des patients à haut risque porteurs d'un implant ne voient jamais leur appareil se déclencher. Certains subissent donc une intervention invasive coûteuse sans bénéfice, tandis que d'autres meurent sans avoir été prévenus.

Comment le réseau de neurones a été entraîné

L'équipe de Ziad Obermeyer a commencé par six années d'ECG issus du système de santé suédois unifié : plus de 440 000 enregistrements. Ceux-ci ont été mis en regard des certificats de décès. Le modèle a ainsi distingué trois groupes : des personnes en bonne santé, des personnes présentant des facteurs de risque cardiaque connus, et celles qui sont décédées ensuite subitement d'une cause cardiaque. Il a appris seul à repérer les combinaisons de pics, d'ondes et d'autres caractéristiques du signal associées à un risque accru.

L'algorithme a ensuite été testé sur deux jeux de données indépendants : deux années d'ECG anonymisés du système hospitalier de San Diego, et des données de Taipei. C'est une étape essentielle, car un modèle entraîné sur des Suédois pourrait simplement avoir mémorisé les particularités d'une seule population. Le test aux États-Unis et à Taïwan montre que le signal identifié fonctionne également dans d'autres pays.

L'algorithme a aussi mis en évidence un groupe à risque plus large : des milliers de personnes que les recommandations en vigueur auraient jugées peu exposées. Par ailleurs, il ne nécessite que des ECG ordinaires, que les hôpitaux collectent déjà, de sorte qu'aucun nouvel type d'examen n'est requis.

Suite des travaux et limites

L'application en routine reste lointaine. Les auteurs travaillent avec les systèmes de santé de la Suède, de Taïwan et des États-Unis pour appliquer l'algorithme aux bases de données hospitalières d'ECG. Le plan prévoit que les médecins contactent les patients dont le score est élevé et leur proposent de porter un patch enregistrant en continu l'activité cardiaque. Ces données permettront de comprendre quels processus du cœur produisent ce signal et pourraient, chez certains patients, justifier l'implantation d'un défibrillateur.

La limite est à reconnaître : les scientifiques ignorent encore ce qui, dans le cœur, modifie le tracé électrique que le modèle a appris à reconnaître. C'est un outil pratique et puissant, mais il n'a pas encore d'explication. Une mise en pratique clinique exigera des études prospectives et un accord avec les autorités de régulation.

Pour l'industrie de l'IA médicale, deux enseignements se dégagent. Le premier : la valeur vient souvent moins de l'architecture du modèle que de l'accès aux données. Obermeyer affirme que ces données sont « incroyablement difficiles à obtenir ».

La constitution des trois jeux de données lui a pris environ dix ans, en parallèle des projets Dandelion Health et Nightingale Open Science, qu'il a contribué à créer. Le second : les signaux médicaux les moins chers et les plus familiers, comme l'ECG, peuvent contenir davantage d'informations que ce que le médecin perçoit. Les équipes qui développent une IA clinique ont donc intérêt à chercher des applications dans les archives déjà constituées, et à tester systématiquement leur modèle sur des données issues d'autres pays et d'autres hôpitaux.

Dossier

Questions clés sur cet article

Pourquoi le dépistage actuel est insuffisant?

Aux États-Unis, plus de 300 000 personnes meurent chaque année d'un arrêt cardiaque subit. Il ne s'agit pas d'un infarctus : lors d'un infarctus, une artère se bouche, alors qu'ici c'est le système électrique qui commande le rythme cardiaque qui défaille. Environ 90 % des personnes victimes d'un arrêt en dehors de l'hôpital meurent en quelques minutes. Aujourd'hui, la décision de poser un défibrillateur repose surtout sur le volume de sang que le cœur éjecte à chaque battement.

Comment le réseau de neurones a été entraîné?

L'équipe de Ziad Obermeyer a commencé par six années d'ECG issus du système de santé suédois unifié : plus de 440 000 enregistrements. Ceux-ci ont été mis en regard des certificats de décès. Le modèle a ainsi distingué trois groupes : des personnes en bonne santé, des personnes présentant des facteurs de risque cardiaque connus, et celles qui sont décédées ensuite subitement d'une cause cardiaque.

Que sait-on sur Suite des travaux et limites ?

L'application en routine reste lointaine. Les auteurs travaillent avec les systèmes de santé de la Suède, de Taïwan et des États-Unis pour appliquer l'algorithme aux bases de données hospitalières d'ECG. Le plan prévoit que les médecins contactent les patients dont le score est élevé et leur proposent de porter un patch enregistrant en continu l'activité cardiaque.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…