Des chercheurs ont dévoilé le Cardiac Sensing Foundation Model (CSFM), un système d’IA entraîné sur des données issues de 1,7 million d’individus qui surpasse les méthodes traditionnelles pour le diagnostic des maladies cardiaques et la prévision de l’évolution des patients. Ce modèle révolutionnaire, détaillé aujourd’hui dans Nature Machine Intelligence, a atteint une précision allant jusqu’à 96,7 % dans les prédictions en soins intensifs et fonctionne de manière fluide sur les ECG hospitaliers ainsi que sur les appareils portables, marquant une avancée majeure dans les soins cardiaques assistés par IA.
Le nouveau système a affiché des performances exceptionnelles dans les environnements de soins intensifs, atteignant un taux de précision de 96,7 % pour la prédiction des fausses alarmes, contre seulement 93,1 % pour les méthodes conventionnelles, selon l’étude publiée dans Nature Machine Intelligence. Pour la prévision de la mortalité à un an utilisant des données de patients brésiliens, le modèle a obtenu une précision de 84,4 %, dépassant nettement les approches traditionnelles qui plafonnaient à 81,6 %.
Au-delà des applications en soins critiques, le CSFM a prouvé ses capacités diagnostiques robustes sur diverses affections cardiovasculaires. Le système a obtenu un score Macro-F1 de 0,677 pour la classification multi-étiquettes des maladies sur des données ECG de dispositifs portables, surpassant largement le score de 0,634 des meilleurs modèles actuels.
L’une des caractéristiques les plus marquantes du modèle est son adaptabilité à différents dispositifs et environnements médicaux. Le système d’IA a maintenu de solides performances, qu’il s’agisse d’analyser des données issues d’ECG hospitaliers à 12 dérivations ou de simples dispositifs portables à une dérivation. Lorsqu’il a été transposé des systèmes ECG hospitaliers aux appareils grand public, le CSFM n’a requis que 10 % des données d’entraînement habituelles pour égaler les performances des modèles conventionnels formés sur des ensembles de données complets.
Polyvalence technologique
L’équipe de recherche, menée par Gu et ses collègues, a testé le CSFM face à plusieurs architectures d’apprentissage profond, notamment ResNet1d et Inception1D, le nouveau modèle affichant systématiquement des performances supérieures. Le système fonctionne sans difficulté tant avec les signaux ECG qu’avec les données de photopléthysmographie (PPG) issues de montres connectées, ce qui le rend extrêmement polyvalent pour divers scénarios de santé.
Le CSFM a également excellé dans l’inférence des caractéristiques des patients à partir des seuls signaux cardiaques. Le modèle a présenté des taux d’erreur plus faibles pour la prédiction de l’âge et de l’IMC, et a atteint une précision plus élevée dans la classification du genre par rapport aux modèles entraînés depuis le début sur l’ensemble de données VitalDB.
Le système a même démontré sa capacité à répondre à des questions cliniques sur les tracés ECG, surpassant les modèles Fusion Transformer de référence sur le benchmark ECG-QA. Cette faculté pourrait aider les professionnels de santé à interpréter rapidement des données cardiaques complexes.
Bien que les résultats de validation soient impressionnants, les chercheurs notent que des comparaisons directes entre le CSFM et des cliniciens humains n’ont pas encore été réalisées. De telles études, ainsi que des essais cliniques prospectifs, constitueront des étapes essentielles avant que la technologie ne puisse être déployée dans des environnements médicaux réels.
Sources
- Nature Machine Intelligence
