Peut-on mieux prédire le risque d’AVC chez les patients atteints de fibrillation auriculaire ?
La fibrillation auriculaire touche plus de 58 millions de personnes dans le monde et augmente fortement le risque d’accident vasculaire cérébral. Pourtant, les outils actuels pour évaluer ce risque, comme les scores classiques, restent peu précis et ne tiennent pas compte des interactions complexes entre les différents facteurs de santé des patients.
Une équipe de chercheurs a développé de nouveaux modèles d’intelligence artificielle capables de prédire le risque d’AVC sur un an chez les patients venant de recevoir un diagnostic de fibrillation auriculaire. Ces modèles utilisent uniquement des informations facilement disponibles : l’âge, les antécédents médicaux et les médicaments pris par le patient. Contrairement aux méthodes traditionnelles, ces outils analysent les relations subtiles entre ces éléments pour offrir une estimation personnalisée et plus fiable.
Les résultats sont convaincants. Les deux modèles testés, l’un basé sur une approche statistique classique et l’autre sur une technique avancée d’apprentissage automatique, ont montré une capacité à distinguer les patients à risque avec une précision bien supérieure aux méthodes existantes. Leur performance a été validée sur des groupes de patients variés, confirmant leur fiabilité dans différents contextes cliniques. De plus, ces modèles permettent d’ajuster les seuils de risque en fonction des besoins individuels, ce qui est particulièrement utile pour les patients âgés ou présentant plusieurs problèmes de santé.
Un autre avantage majeur est leur simplicité d’utilisation. Ils ne nécessitent pas d’examens sanguins ou d’imagerie médicale, souvent indisponibles au moment du diagnostic. Cela les rend accessibles dans la pratique quotidienne des hôpitaux. Les chercheurs ont également vérifié que ces outils fonctionnent aussi bien pour les hommes que pour les femmes, évitant ainsi les biais liés au sexe.
À plus long terme, ces modèles aident aussi à identifier les patients qui bénéficieraient le plus d’un traitement anticoagulant. Les données montrent que les patients classés à haut risque par ces outils voient leur risque d’AVC diminuer significativement s’ils prennent ces médicaments, contrairement à ceux identifiés par les méthodes traditionnelles.
Cette avancée ouvre la voie à une médecine plus personnalisée. Les médecins pourraient bientôt s’appuyer sur ces prédictions pour adapter les traitements en fonction du profil unique de chaque patient, réduisant ainsi le nombre d’AVC évitables et améliorant la prise en charge de la fibrillation auriculaire.
Sources et crédits
Étude source
DOI : https://doi.org/10.1038/s41746-026-02470-3
Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation
Revue : npj Digital Medicine
Éditeur : Springer Science and Business Media LLC
Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai