Vers un système de santé apprenant basé sur l'intelligence artificielle pour la prédiction de la mortalité au niveau de la population à partir d'électrocardiogrammes

Résumé

La faisabilité et l'intérêt de relier les données d'électrocardiogramme (ECG) aux données administratives longitudinales sur la santé au niveau de la population afin de faciliter le développement d'un système de soins de santé apprenant n'ont pas été pleinement explorés. Nous avons développé des modèles d'apprentissage automatique basés sur l'ECG pour prédire le risque de mortalité chez les patients se présentant aux urgences ou à l'hôpital pour quelque raison que ce soit. À l'aide des tracés et des mesures de l'ECG à 12 dérivations de 1 605 268 ECG provenant de 748 773 épisodes de soins de santé de 244 077 patients (2007-2020) en Alberta, au Canada, nous avons développé et validé des modèles d'apprentissage profond (Deep Learning, DL) basés sur ResNet et des modèles XGBoost (XGB) basés sur le boosting de gradient pour prédire la mortalité à 30 jours, 1 an et 5 ans. Les modèles de mortalité à 30 jours, 1 an et 5 ans ont été formés sur 146 173, 141 072 et 111 020 patients et évalués sur 97 144, 89 379 et 55 650 patients, respectivement. Dans la cohorte d'évaluation, 7,6 %, 17,3 % et 32,9 % des patients sont décédés à 30 jours, 1 an et 5 ans, respectivement. Les modèles ResNet basés sur les tracés ECG seuls avaient des performances bonnes à excellentes avec une aire sous la courbe caractéristique d'exploitation du récepteur (AUROC) de 0,843 (IC 95 % : 0,838-0,848), 0,812 (0,808-0,816) et 0,798 (0.792-0,803) pour la prédiction à 30 jours, 1 an et 5 ans, respectivement ; et étaient supérieurs aux modèles XGB basés sur les mesures ECG avec des AUROC de 0,782 (0,776-0,789), 0,784 (0,780-0,788) et 0,746 (0,740-0,751). Cette étude démontre la validité des modèles de prédiction de la mortalité par DL basés sur l'ECG au niveau de la population qui peuvent être exploités pour le pronostic au point de soins.