<\/p>\n
La fibrillation auriculaire touche plus de 58 millions de personnes dans le monde et augmente fortement le risque d\u2019accident vasculaire c\u00e9r\u00e9bral. Pourtant, les outils actuels pour \u00e9valuer ce risque, comme les scores classiques, restent peu pr\u00e9cis et ne tiennent pas compte des interactions complexes entre les diff\u00e9rents facteurs de sant\u00e9 des patients.<\/p>\n
Une \u00e9quipe de chercheurs a d\u00e9velopp\u00e9 de nouveaux mod\u00e8les d\u2019intelligence artificielle capables de pr\u00e9dire le risque d\u2019AVC sur un an chez les patients venant de recevoir un diagnostic de fibrillation auriculaire. Ces mod\u00e8les utilisent uniquement des informations facilement disponibles : l\u2019\u00e2ge, les ant\u00e9c\u00e9dents m\u00e9dicaux et les m\u00e9dicaments pris par le patient. Contrairement aux m\u00e9thodes traditionnelles, ces outils analysent les relations subtiles entre ces \u00e9l\u00e9ments pour offrir une estimation personnalis\u00e9e et plus fiable.<\/p>\n
Les r\u00e9sultats sont convaincants. Les deux mod\u00e8les test\u00e9s, l\u2019un bas\u00e9 sur une approche statistique classique et l\u2019autre sur une technique avanc\u00e9e d\u2019apprentissage automatique, ont montr\u00e9 une capacit\u00e9 \u00e0 distinguer les patients \u00e0 risque avec une pr\u00e9cision bien sup\u00e9rieure aux m\u00e9thodes existantes. Leur performance a \u00e9t\u00e9 valid\u00e9e sur des groupes de patients vari\u00e9s, confirmant leur fiabilit\u00e9 dans diff\u00e9rents contextes cliniques. De plus, ces mod\u00e8les permettent d\u2019ajuster les seuils de risque en fonction des besoins individuels, ce qui est particuli\u00e8rement utile pour les patients \u00e2g\u00e9s ou pr\u00e9sentant plusieurs probl\u00e8mes de sant\u00e9.<\/p>\n
Un autre avantage majeur est leur simplicit\u00e9 d\u2019utilisation. Ils ne n\u00e9cessitent pas d\u2019examens sanguins ou d\u2019imagerie m\u00e9dicale, souvent indisponibles au moment du diagnostic. Cela les rend accessibles dans la pratique quotidienne des h\u00f4pitaux. Les chercheurs ont \u00e9galement v\u00e9rifi\u00e9 que ces outils fonctionnent aussi bien pour les hommes que pour les femmes, \u00e9vitant ainsi les biais li\u00e9s au sexe.<\/p>\n
\u00c0 plus long terme, ces mod\u00e8les aident aussi \u00e0 identifier les patients qui b\u00e9n\u00e9ficieraient le plus d\u2019un traitement anticoagulant. Les donn\u00e9es montrent que les patients class\u00e9s \u00e0 haut risque par ces outils voient leur risque d\u2019AVC diminuer significativement s\u2019ils prennent ces m\u00e9dicaments, contrairement \u00e0 ceux identifi\u00e9s par les m\u00e9thodes traditionnelles.<\/p>\n
Cette avanc\u00e9e ouvre la voie \u00e0 une m\u00e9decine plus personnalis\u00e9e. Les m\u00e9decins pourraient bient\u00f4t s\u2019appuyer sur ces pr\u00e9dictions pour adapter les traitements en fonction du profil unique de chaque patient, r\u00e9duisant ainsi le nombre d\u2019AVC \u00e9vitables et am\u00e9liorant la prise en charge de la fibrillation auriculaire.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s41746-026-02470-3<\/a><\/p>\n Titre\u00a0:<\/strong> Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation<\/p>\n Revue : <\/strong> npj Digital Medicine<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai<\/p>\n","protected":false},"excerpt":{"rendered":" Peut-on mieux pr\u00e9dire le risque d\u2019AVC 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\u2019accident vasculaire c\u00e9r\u00e9bral. Pourtant, les outils actuels pour \u00e9valuer ce risque, comme les scores classiques, restent peu pr\u00e9cis et ne tiennent pas compte… Poursuivre la lecture Peut-on mieux pr\u00e9dire le risque d\u2019AVC chez les patients atteints de fibrillation auriculaire ?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7,2],"tags":[],"class_list":["post-45","post","type-post","status-publish","format-standard","hentry","category-international","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/45","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/comments?post=45"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/45\/revisions"}],"predecessor-version":[{"id":46,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/45\/revisions\/46"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/media?parent=45"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/categories?post=45"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/tags?post=45"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}