Une IA pour choisir le traitement de l'hypertension chez l'enfant : le modèle du MIPT identifie le bon médicament dans 98% des cas

En Russie, le nombre d'enfants souffrant d'hypertension artérielle a augmenté de 17% au cours des cinq dernières années. Les médecins choisissent le traitement par essais et erreurs : ils prescrivent l'un des cinq médicaments autorisés, puis attendent le résultat pendant 2–3 mois. Anastasia Adamson, étudiante en master au MIPT, a mis au point un modèle de machine learning qui s'attaque à ce problème. Il analyse 154 critères cliniques et prédit le médicament efficace avec une précision de 98%, ce qui permet aux médecins de choisir le bon traitement dès la première tentative.

Des mois d'attente inutile

L'hypertension artérielle de l'enfant devient un problème de plus en plus répandu. En apparence, la solution semble simple : le médecin choisit l'un des cinq médicaments approuvés et lance le traitement. Mais c'est là qu'intervient une difficulté fondamentale de la médecine : chaque organisme est unique. Chez un enfant, le Lisinopril sera efficace ; un autre répondra mieux à l'Amlodipine ; chez un troisième, le Nébivolol fonctionnera ; un quatrième aura besoin d'une approche combinée. Le médecin ne peut pas le savoir à l'avance.

Si le choix se révèle mauvais, un ou deux mois sont perdus. Pendant ce temps, la tension de l'enfant reste élevée, ses vaisseaux subissent une charge supplémentaire, et le risque d'hypertrophie ventriculaire gauche et d'autres complications augmente. On prescrit ensuite un nouveau médicament, et l'attente recommence. Ce cycle d'échecs pèse non seulement sur la santé du patient, mais aussi sur son psychisme : des mois d'incertitude et de traitement inefficace laissent des traces.

Comment le modèle prédit le résultat

Adamson a entraîné l'algorithme sur les données de 272 patients. Mais l'essentiel ne tient pas seulement au volume de données : c'est leur caractère multidimensionnel qui compte. Le modèle prend en compte 154 critères qui dressent un portrait clinique complet de l'enfant :

• Démographie : âge, poids, indice de masse corporelle, taille
• Cardiologie : échographie cardiaque, dimensions du ventricule gauche, échocardiographie
• Système vasculaire : échographie des artères carotides, épaisseur intima-média
• Hémodynamique : pression systolique et diastolique dans différentes conditions
• Statut hormonal : taux de rénine, d'aldostérone, de catécholamines
• Diagnostic biologique : fonctions rénale et hépatique, électrolytes, analyse d'urine

L'algorithme de machine learning traite cette mosaïque et en extrait des régularités cachées. Il identifie les combinaisons de paramètres qui signalent l'efficacité de chaque médicament. Résultat : avec une précision de 98%, le modèle prédit lequel des cinq médicaments fonctionnera pour cet enfant précis, avant même la première prescription.

Les intuitions des médecins chiffrées

Le plus intéressant : le modèle a détecté des liens statistiques que les médecins soupçonnaient depuis des années sans pouvoir les démontrer rigoureusement. Il a par exemple révélé une corrélation nette entre le surpoids de l'enfant et une forte efficacité du Lisinopril dans ce sous-groupe. Les médecins l'avaient remarqué en pratique, mais aucune documentation formelle n'existait.

«

Ce n'est pas un substitut au médecin, mais un puissant outil d'aide à la décision », explique Adamson.

La décision finale revient au pédiatre ou au cardiologue. Mais le spécialiste dispose désormais d'une recommandation scientifiquement fondée, et non plus d'une simple supposition.

Ce que cela change pour la pédiatrie

Les travaux d'Adamson montrent comment l'intelligence artificielle s'intègre dans la pratique médicale réelle. Au lieu d'essais non systématiques, le médecin disposera d'un pronostic personnalisé fondé sur l'analyse de big data. Concrètement, cela signifie réduire le délai de choix du traitement de plusieurs mois à quelques jours, raccourcir les périodes de tension non contrôlée et diminuer le risque de complications pour chaque patient. L'IA n'est pas ici une baguette magique, mais un assistant qui élargit les capacités diagnostiques et thérapeutiques du médecin.