Actualités de l'Urgence - APM

L'hypertension pulmonaire (HTP) correspond à un état pathologique caractérisé par une élévation de la pression artérielle pulmonaire, entraînant une dyspnée d'effort et une insuffisance cardiaque droite. De nombreuses situations pathologiques peuvent être à l'origine de cette HTP.

En raison de ses symptômes non spécifiques, l'HTP est diagnostiquée tardivement et en fonction de l'étiologie, la prise en charge varie. Il est donc essentiel d'identifier précocement et de différencier précisément les sous-types d'HTP pour une prise en charge efficace, rappellent le Dr Zhihua Huang de l'hôpital Fuwai à Pékin et ses collègues dans Chest.

Ils se sont intéressés à l'IA, et en particulier à l'apprentissage profond (deep learning), qui transforme le diagnostic radiologique.

Dans cette étude, les chercheurs ont développé plusieurs modèles de détection de l'HTP et de l'hypertension artérielle pulmonaire associée à une cardiopathie congénitale (HTAP-CC) en particulier, principale cause d'HTP dans les pays développés.

Pour entraîner ces modèles, ils ont utilisé les données de radiographie thoracique et de cathétérisme cardiaque droit ou d'échocardiographie transthoracique pour 4.576 patients pris en charge à l'hôpital Fuwai, dont la moitié avait une HTP et, parmi ces derniers, 42,7% avaient une HTAP-CC.

Les modèles devaient d'abord différencier les patients sans HTP et ceux avec puis, parmi ces derniers, distinguer ceux qui avaient une HTAP-CC. Ils ont été testés parmi une autre cohorte de 2.140 patients pris en charge également dans l'établissement dont 50% avec une HTP et parmi eux, 48,5% avec une HTAP-CC, puis validés dans une cohorte externe de 90 patients, dont 78,9% avaient une HTP et parmi eux, 32,4% avaient une HTAP-CC.

Outil de repérage de l'HTP associée à une cardiopathie congénitale

Les meilleures performances ont été obtenues avec le modèle VGG (Visual Geometry Group), un modèle d'architecture de réseau de neurones convolutifs, avec une aire sous la courbe (ASC) de 0,964 pour détecter une HTP dans le jeu de données internes test, avec une sensibilité de 90,2% et une spécificité de 91,4%.

Dans la cohorte de validation interne, l'ASC était de 0,872, avec une sensibilité de 90,2% et une spécificité de 62,5%, et dans la cohorte de validation externe, l'ASC était de 0,811, avec une sensibilité de 80,3% et une spécificité de 63,2%.

Ensuite, pour identifier les cas d'HTAP-CC, le modèle a présenté une ASC de 0,908 dans la cohorte interne et de 0,860 dans la cohorte externe, avec une sensibilité de respectivement 85,9% et 87% et une spécificité de respectivement 80,4% et 70,8%.

La précision des prédications du modèle était bonne, avec un score Brier de 0,072 pour détecter les cas d'HTP et de 0,122 pour identifier les cas d'HTAP-CC.

Ces résultats suggèrent que ces modèles présentent une sensibilité élevée comme outil de repérage de l'HTP et de l'HTAP-CC en particulier, et pourraient aider à identifier les patients à adresser pour des examens complémentaires, notamment lorsque l'accès au cathétérisme droit est difficile, concluent les chercheurs.

D'autres études sont nécessaires pour validation dans d'autres populations avant d'envisager de les utiliser en pratique clinique, ajoutent-ils.

(Chest, publication en ligne du 18 juin)

ld/lb/APMnews