Les modèles d’IA sont prometteurs pour prédire les risques de maladies cardiaques, mais ils manquent de validation

Dans une revue récemment publiée dans Médecine BMC, Les scientifiques évaluent des modèles d’intelligence artificielle (AI-M) qui prédisent le risque de maladie cardiovasculaire (MCV) dans des populations générales et spécifiques, tout en développant un score de validation indépendant (IVS) pour les AI-M.

Étude: Intelligence artificielle dans les modèles de prédiction du risque de maladies cardiovasculaires et développement d’un outil de dépistage de validation indépendant : une revue systématique. Source de l’image : Summit Art Creations / Shutterstock.com

arrière-plan

La prévalence mondiale des maladies cardiovasculaires (MCV) augmente rapidement, ce qui a conduit au développement de plusieurs modèles de prédiction des maladies cardiovasculaires. Les modèles de prédiction des maladies cardiovasculaires tels que Framingham et SCORE identifient les individus présentant un risque plus élevé de développer des maladies cardiovasculaires afin de mettre en œuvre des mesures préventives dans la population à risque.

En informatique, l’application de l’IA, de l’apprentissage automatique (ML) et de l’apprentissage profond (DL) peut être utilisée pour développer des systèmes informatiques dotés d’une capacité fonctionnelle similaire à celle de l’intelligence humaine tout en effectuant une tâche complexe. Cette capacité fonctionnelle est liée aux capacités de réflexion, d’apprentissage, de perception, de résolution de problèmes, de prise de décision et de compréhension du langage.

L’IA-MS est de plus en plus utilisée dans les soins de santé pour prédire le risque de maladie. Cependant, cette application a été confrontée à de nombreux défis liés à la confidentialité, à la sécurité, à la transparence, à la légalité et aux préoccupations éthiques. Néanmoins, les AI-M sont associées à une plus grande précision, une plus grande capacité de traitement des données et moins de limitations de traitement par rapport aux modèles traditionnels de prévision des risques.

À propos de l’étude

Une extraction complète des données a été réalisée sur la base de prédicteurs, d’algorithmes, de biais et de population. Pour le dépistage des AI-M, un outil a été développé pour évaluer la reproductibilité et l’applicabilité des AI-M et pour assurer une validation externe des AI-M.

Pour la revue actuelle, tous les articles pertinents ont été obtenus auprès d’Embase, Web of Science, PubMed et de la bibliothèque IEEE. L’outil d’évaluation prédictive du risque de biais (PROBAST) a également été utilisé.

Principales conclusions

Au total, 79 articles pertinents publiés entre 2017 et 2021 ont été obtenus, parmi lesquels 486 AI-M ont été identifiés. La plupart de ces études concernaient le développement de nouvelles AI-MS ; Cependant, aucun des modèles n’a fait l’objet d’une validation externe indépendante.

Par conséquent, les chercheurs en prévision des risques liés à l’IA semblent se concentrer davantage sur le développement de nouveaux modèles plutôt que sur la validation des modèles existants, ce qui est crucial pour les applications cliniques. Étant donné que les AI-M non validées conduiraient à la génération de nombreux modèles de prédiction inutiles, les chercheurs doivent se concentrer sur la validation des AI-M pour éviter de perdre du temps en recherche.

Un facteur clé limitant la mise en œuvre de la validation externe est l’utilisation de sources de données limitées pour le développement de modèles. Cependant, ce problème pourrait être résolu en utilisant des données provenant de bases de données multi-sources.

La plupart des modèles basés sur l’IA comme prédicteurs du risque de MCV ont été développés en Amérique du Nord et en Europe, dont très peu ont été développés dans les pays d’Asie et d’Amérique du Sud, alors qu’aucun n’a été développé en Afrique. Étant donné que l’étendue des risques de maladies cardiovasculaires varie selon l’origine ethnique, il est important de développer des AI-M axés sur des groupes ethniques spécifiques.

Les quatre variables les plus couramment utilisées dans les AI-M pour prédire le risque de MCV comprennent le cholestérol total, l’âge, le sexe et le statut tabagique. Par rapport aux modèles traditionnels, les AI-M évaluent les données multimodales, y compris les informations supplémentaires liées aux gènes ou aux protéines et les données d’image. Les autres avantages des modèles d’IA incluent la ré-saisie et l’utilité des données.

De nombreuses études n’ont pas fourni d’informations de recherche importantes, ce qui a affecté la validation du modèle. À l’avenir, des études devront fournir des rapports transparents sur un modèle de prédiction multivariable pour le pronostic ou le diagnostic individuel (TRIPOD) lors de la soumission du manuscrit.

Selon PROBAST, tous les modèles présentaient un risque élevé de biais, principalement en raison de l’utilisation inappropriée d’outils statistiques. L’analyse IVS a révélé que l’utilisation de seulement 10 modèles était « recommandée », tandis que les modèles restants étaient classés comme « non recommandés » ou « avertissement ».

L’outil IVS a été développé pour sélectionner des modèles de validation externe indépendants. Ce système de notation évalue l’adéquation à une validation externe indépendante sur la base de la transparence, de l’évaluation des risques, des performances et de l’implication clinique.

L’IVS nouvellement développé a souligné que la validation externe indépendante pourrait ne pas convenir à plus de 95 % des modèles, ce qui signifie que ces modèles ne peuvent pas être utilisés en milieu clinique.

Conclusions

Bien que plusieurs AI-M soient disponibles pour les prédictions de maladies cardiovasculaires, peu d’études ont systématiquement analysé l’efficacité des modèles. L’examen actuel résume les AI-M pour les maladies cardiovasculaires et discute des défis actuels associés à leur utilisation.

L’étude actuelle a fourni des informations importantes sur les modèles d’IA utilisés pour les prévisions des risques de maladies cardiovasculaires, notamment le déséquilibre géographique, le risque élevé de biais, le faible taux d’atteinte des normes de qualité des rapports, le manque de validation externe indépendante et le système de notation incomplet. Dans ce contexte, l’utilisation d’un outil IVS nouvellement développé pourrait aider à évaluer la reproductibilité des modèles.