Les implications de l'apprentissage automatique dans le diagnostic de la maladie artérielle périphérique sont significatives.

L'apprentissage automatique (ML) offre des méthodes non invasives et efficaces pour le diagnostic et la gestion de la maladie artérielle périphérique (PAD).

• • * La PAD est une condition chronique causée par l'athérosclérose, entraînant un rétrécissement des artères, principalement dans les membres inférieurs.

• • * Un diagnostic précoce est crucial pour prévenir les complications et améliorer les résultats des patients.

• • * Une revue systématique a identifié 30 études pertinentes publiées entre 2014 et 2024, utilisant divers algorithmes de ML pour le diagnostic et l'évaluation des risques.
  • La méthodologie de recherche et les critères d'inclusion ont été clairement définis.
    
    La recherche a été menée dans plusieurs bases de données pour identifier des études pertinentes sur l'application du ML à la PAD.

• • * Les bases de données utilisées incluent PubMed, Scopus et Web of Science.

• • * Les critères d'inclusion ont porté sur des études évaluant des cas de PAD avec des méthodes de ML, excluant les articles de revue et les études animales.

• • * La recherche a suivi les protocoles PRISMA 2020 pour garantir la rigueur méthodologique.
  •  

Caractéristiques des études examinées

Les études examinées montrent une diversité dans les populations et les types de données utilisées pour l'analyse de la PAD.

• • * Les tailles d'échantillon varient de 5 à 71 355 patients, avec des sources de données principalement issues de dossiers cliniques et d'imageries.

• • * Environ 50 % des études ont utilisé des enregistrements cliniques comme principale source de données.

• • * Les algorithmes de ML les plus couramment utilisés incluent Random Forest, Deep Learning et Support Vector Machine.
  •  

Évaluation du risque de biais dans les études

Une évaluation du risque de biais a été réalisée pour évaluer la fiabilité des études incluses dans la revue.

• • * 50 % des études ont montré un faible risque de biais dans tous les domaines évalués.

• • * Les domaines d'évaluation comprenaient la qualité des données, le prétraitement, le développement et la validation des modèles, ainsi que la transparence des rapports.
  •  

Résultats et implications des applications de ML

Les résultats montrent que les modèles de ML peuvent améliorer le diagnostic et la gestion de la PAD.

• • * Les modèles de ML ont été appliqués à des ensembles de données de diagnostic et d'évaluation des risques, démontrant leur polyvalence.

• • * Des algorithmes comme Random Forest ont été utilisés pour prédire des événements indésirables majeurs, avec des performances mesurées par des métriques telles que l'AUC-ROC.

• • * L'intégration de données cliniques et biologiques a amélioré la performance prédictive des modèles, soulignant l'importance des biomarqueurs dans la pronostic de la PAD.
  •  

Utilisation de l'apprentissage automatique dans la maladie artérielle périphérique

L'apprentissage automatique joue un rôle crucial dans le diagnostic et la gestion de la maladie artérielle périphérique (PAD).

• • * Les résultats prédits incluent la classification des maladies, la stratification des risques et l'évaluation des conditions vasculaires.

• • * Les algorithmes les plus utilisés sont Random Forest (RF), Régression Logistique (LR), SVM, XGBoost et K-means.

• • * RF et LR sont principalement appliqués aux données cliniques et démographiques, avec RF montrant la plus grande utilisation des données démographiques.

• • * XGBoost et K-means sont adaptés à des types de données variés, y compris les données biomédicales structurées et non structurées.
  •  

Évaluation des performances des modèles

Les métriques de performance sont essentielles pour évaluer l'efficacité des modèles d'apprentissage automatique.

• • * Les métriques les plus rapportées incluent l'exactitude, la sensibilité, la spécificité et l'AUC-ROC, présentes dans au moins 22 études.

• • * D'autres métriques comme la précision, le NPV, le F1-score et le PPV sont également importantes pour une évaluation équilibrée.

• • * Les métriques de calibration, telles que les graphiques de calibration et les scores de Brier, sont moins fréquemment utilisées malgré leur importance.
  •  

Résultats prédits par les modèles d'apprentissage automatique

Les modèles d'apprentissage automatique prédisent divers résultats dans le contexte de la PAD.

• • * Le diagnostic de la PAD est plus fréquent que la classification des sous-types, soulignant l'accent mis sur la détection de la maladie.

• • * La prédiction de la survie est l'issue la plus étudiée, surpassant le risque d'amputation.

• • * Les résultats liés à la gravité de la maladie et aux caractéristiques des plaques reçoivent également une attention significative.
  •  

Évaluation du risque de biais dans les études

L'évaluation du risque de biais (RoB) révèle des niveaux de fiabilité variés dans les études examinées.

• • Plus de 45 % des études montrent un faible risque de biais en matière de qualité des données.

• • Environ 60 % des études affichent un faible RoB dans le prétraitement et le développement des modèles.

• • La reproductibilité présente le plus haut niveau de biais, avec près de 90 % des études ayant un RoB modéré ou élevé.
  •  

Conclusion sur l'apprentissage automatique et la PAD

L'apprentissage automatique a le potentiel d'améliorer le diagnostic et la gestion de la PAD, mais des défis subsistent.

• • * Les modèles se concentrent principalement sur le diagnostic et la prédiction de la survie, mais la classification des sous-types est sous-explorée.

• • * La généralisation des modèles est limitée par le manque de diversité des ensembles de données et de standardisation.

• • • * Des recherches futures devraient se concentrer sur l'intégration de données multimodales et le déploiement dans des contextes cliniques réels.
    •  
    • 
      
    •  
    •  
    •  
    • Cet article est une revue systématique qui explore les applications des algorithmes d'apprentissage automatique (machine learning ou ML), un sous-domaine de l'intelligence artificielle, pour le diagnostic et la gestion de la maladie artérielle périphérique (MAP). Les auteurs ont analysé 30 études publiées de 2014 à 2024, identifiant les dossiers cliniques comme source de données primaire et l'algorithme de la forêt aléatoire (Random Forest ou RF) comme le plus fréquemment utilisé. La revue classe les applications du ML en tâches de diagnostic, de classification de sous-types et d'évaluation des risques, tout en soulignant le potentiel du ML pour améliorer la précision des soins. L'évaluation du risque de biais (RoB) indique cependant des préoccupations concernant la reproductibilité des études, bien que de nombreux articles présentent un faible risque de biais dans les domaines de la qualité des données et du développement de modèles.
      
      
      
    • 
  
  
  •  
  •  
  •  
  •  
  • 
  •  
  •  
  • CHATGPT
    
    
  •  
  •  
  •  
  • Analyse brève par PERPLEXITY / IA
    
    

    Conclusions principales

  •  

    •  

    • L'apprentissage automatique offre une plus-value en automatisant et en améliorant la précision du diagnostic de l'artériopathie périphérique, tout en facilitant la prédiction du risque et le suivi personnalisé des patients.​

    • Malgré ces avancées, la revue souligne l'importance de renforcer la reproductibilité et l'interprétabilité clinique des modèles, ainsi que de poursuivre la validation sur des cohortes indépendantes.​

    • L'avenir de la gestion de la PAD dépend de l'intégration clinique de modèles transparents et robustes, qui peuvent servir d'aide fiable à la décision médicale.​

    Ces résultats confirment donc l'intérêt du recours à l'intelligence artificielle dans la prise en charge des maladies cardiovasculaires et encouragent la poursuite des recherches vers des outils encore plus explicites et intégrés aux pratiques médicales courantes.
    
    

    Étapes clés pour une collaboration multicentrique

     

    • Choix et préparation des jeux de données : chaque centre doit fournir des données cliniques, d’imagerie, et éventuellement des biomarqueurs dans des formats interopérables, idéalement anonymisés et harmonisés selon des standards internationaux (HL7, FHIR).​

    • Infrastructure centrale et plateforme de partage : utiliser des infrastructures partagées et des plateformes sécurisées (serveurs fédérés, cloud sécurisé) pour stocker les données et permettre le développement collaboratif des modèles.​

    • Modélisation collaborative (“Mixture of Multicenter Experts”) : Intégrer l’expertise spécifique de chaque centre dans les modèles, par exemple via des approches comme MoME (Mixture of Multicenter Experts) où des sous-modèles sont adaptés aux données et pratiques locales, puis agrégés pour former un modèle généraliste robuste et moins biaisé.​

    • Validation croisée et prospective : mettre en place des protocoles de validation croisée sur les datasets multiples et prévoir des études prospectives multisites pour tester les outils sur des cas réels et diversifiés.​

    • Implication “human-in-the-loop” : intégrer les experts cliniciens à toutes les étapes (annotation, correction, évaluation des modèles), pour garantir la pertinence clinique et faciliter leur acceptabilité.​

    • Cadre éthique et réglementaire : adopter des standards internationaux pour le développement éthique et responsable de l’IA, comme le cadre FUTURE-AI, en assurant la transparence et la traçabilité des outils déployés.​

    Pratiques recommandées

     

    • Protocole consensuel entre centres définissant les critères d’inclusion/exclusion, les modalités de collecte et d’anonymisation des données, et les indicateurs d’évaluation.​

    • Utilisation d’outils open-source pour le développement (TensorFlow, PyTorch), le stockage (plateformes cloud sécurisées), et la gestion collaborative de projets (GitHub, outils de gestion de version).​

    • Organisation de réunions régulières (virtuelles ou sur site) pour définir les objectifs, suivre l’avancement, échanger sur les difficultés et harmoniser les analyses.

    Une telle collaboration multicentrique est essentielle pour garantir la robustesse, la généralisation et l’adoption des outils d’IA concrètement cliniques sur la PAD."
    
    

    SYNTHESE OPE EVIDENCE

    Les applications de l'apprentissage automatique (AA) pour l'artériopathie périphérique (AOP) couvrent trois domaines principaux : le diagnostic/dépistage, la classification de la gravité et le pronostic/la prédiction du risque. La revue systématique spécifique citée (Aant, Arabbeiki, Niroomand,classification de la gravité ,revue systématiqueComputers in Biology and Medicine (2025) a recensé 30 études publiées entre 2014 et 2024 traitant de ces domaines.[1]

    Caractéristiques des études. Cette revue a exploré les bases de données PubMed, Scopus et Web of Science et a inclus des études portant sur des approches de régression, de classification et de clustering, utilisant des techniques telles que les réseaux de neurones entièrement connectés et convolutifs, l'apprentissage d'ensembles et l'apprentissage profond. Les dossiers cliniques constituaient la principale source de données dans environ la moitié des études, et la forêt aléatoire était l'algorithme le plus fréquemment utilisé. Les modèles ont été appliqués à la fois à des ensembles de données diagnostiques (distinguant l'AOMI des autres pathologies) et à des ensembles de données d'évaluation des risques (prédiction d'événements futurs ou de la progression de la maladie). Une évaluation du risque de biais dans cinq domaines a révélé que 50 % des études présentaient un faible risque de biais dans tous les domaines.de l'étudeneuronaux , l'apprentissage d'ensemble ,de données d'évaluation des risques des événements ou de la progression de la maladie ).a porté [1]

    Applications diagnostiques. Les modèles d'apprentissage automatique ont été utilisés pour détecter les PAD non diagnostiquées à partir des données des dossiers médicaux électroniques (DME), les modèles d'apprentissage profond intégrant le calendrier des diagnostics, des procédures et des médicaments surpassant largement les modèles traditionnels de facteurs de risque et de régression logistique (AUC 0,96 contre 0,91 pour la forêt aléatoire contre 0,81 pour la régression logistique).Modèles d'apprentissage automatiqueles artériopathies périphériques [2]deréaction )statut forêts et photopléthysmographiecaractéristiques de la forme d'onde ,D'autres approches ont utilisé des données de biomécanique de la marche (cinématique de la cheville/du genou/de la hanche et forces de réaction au sol) pour classifier le statut PAD avec une précision allant jusqu'à 89 % en utilisant des réseaux neuronaux ou des forêts aléatoires, et des caractéristiques de forme d'onde de photopléthysmographie, qui ont nettement surpassé les variables cliniques seules pour la détection de l'PAD.[3 4]langage natureldétection angiographie ontLe traitement automatique du langage naturel et la vision par ordinateur (par exemple, la détection automatisée des lésions sur l'échographie Doppler ou l'angiographie CT) ont également été appliqués pour améliorer le dépistage et la planification préopératoire.[5]

    Applications pronostiques et de prédiction des risques. L'apprentissage automatique a été utilisé pour élaborer des modèles prédictifs de mortalité, d'événements cardiovasculaires indésirables majeurs et de complications liées aux membres. Une méta-analyse regroupant des modèles de prédiction diagnostique de l'AOMI (combinant méthodes traditionnelles et apprentissage automatique) a rapporté une aire sous la courbe (AUC) combinée de 0,79 (IC à 95 % : 0,74–0,84), malgré une hétérogénéité extrêmement élevée (I² = 99,9 %).modèles prédictifsévénements cardiovasculaires  majeurs et résultats liés aux membres .groupée modèles diagnostique (mélange)ML ) [6]Ischémie chronique un modèle parcimonieux à dix variablesévénements cardiovasculaires indésirables majeurs prévus coronarienne cardiaque utilisation de statinesfacteur protecteur .Dans l'ischémie chronique menaçant les membres, un modèle parcimonieux à dix variables a prédit les événements cardiovasculaires indésirables majeurs à 1 an avec des statistiques C de 0,66 à 0,69 dans les cohortes de dérivation et de validation, identifiant la maladie coronarienne, l'insuffisance cardiaque congestive et le diabète comme les prédicteurs les plus forts et l'utilisation de statines comme le seul facteur protecteur modifiable.[7]

    Comparaison des performances et des modèles. Plus généralement, pour l'ensemble des affections vasculaires, les modèles d'apprentissage automatique appliqués à l'AOMI ont atteint une aire sous la courbe ROC (AUROC) médiane d'environ 0,89, parmi les plus élevées des maladies vasculaires étudiées, malgré une grande variabilité entre les études individuelles.plus largement, les modèles d'apprentissage automatique appliqués aux maladies vasculairesétudiées, cependant[8]d'entraînement supérieures généralisation sur des ensembles de test indépendants par rapport à des méthodes plus simples.modèles logistique , mettant en évidenceinterprétabilité-généralisabilité Il convient de noter que des modèles plus complexes (par exemple, LightGBM, XGBoost) ont parfois atteint des performances d'entraînement plus élevées, mais une généralisation moindre sur des ensembles de test indépendants par rapport à des modèles de régression logistique plus simples, ce qui met en évidence un compromis persistant entre interprétabilité et généralisation dans ce domaine.[9]

    

     

    

    Figure 4. Aire médiane sous la courbe ROC (Receiver Operating Characteristic) pour l'ensemble des études incluses, par pathologie. Les barres noires représentent les intervalles.

    L’apprentissage automatique en chirurgie vasculaire : revue systématique et évaluation critique. NPJ Chiffre Med . 19 janvier 2022 .

    Utilisé sous licence de Springer Nature

    outil pourdes méthodes à traverslimites des étudesdirecte Globalement, les données probantes soutiennent l’utilisation de l’apprentissage automatique comme outil polyvalent et non invasif pour diagnostiquer l’AOMI et stratifier le risque chez les patients, mais l’hétérogénéité des ensembles de données, des algorithmes et des méthodes de validation entre les études limite la comparabilité directe et l’application clinique.[1][10]

    REFERENCES 
    

    1 .

    Applications de l'apprentissage automatique au diagnostic et à la prise en charge de l'artériopathie périphérique : une revue systématique .

    L'informatique en biologie et en médecine. 2025. Aant N, Arabbeiki M, Niroomand MR.Revoir

     

    2 .

    Tests de performance et d'utilisabilité d'un outil automatisé de détection de l'artériopathie périphérique à partir des dossiers médicaux électroniques .

    Rapports scientifiques. 2022. Ghanzouri I, Amal S, Ho V et al.

     

    3 .

    Identification des maladies artérielles périphériques par apprentissage automatique à l'aide de données de marche en laboratoire .

    Capteurs. 2022. Al-Ramini A, Hassan M, Fallahtafti F et al.

     

    4 .

    Développement et validation d'un biomarqueur numérique pour l'artériopathie périphérique .

    Médecine numérique NPJ. 2026. Ramsis M, Fascetti AJ, Naguib MH, et al.Récent

     

    5 .

    Applications de l'intelligence artificielle pour les patients atteints d'artériopathie périphérique .

    Journal de chirurgie vasculaire. 2023. Lareyre F, Behrendt CA, Chaudhuri A, et al.Revoir

     

    6 .

    Modèles de diagnostic pour prédire l'artériopathie périphérique : une revue systématique et une méta-analyse .

    Rapports scientifiques. 2025. Quan X, Xiong H, Liu X et al.SR

     

    7 .

    Prédiction des événements cardiovasculaires indésirables majeurs à 1 an en cas d'ischémie chronique menaçant les membres .

    JACC. Avances. 2025. Vemulapalli S, Doros G, Weissler EH et al.Essai contrôlé randomisé

     

     

    8 .

    L’apprentissage automatique en chirurgie vasculaire : une revue systématique et une évaluation critique .

    Médecine numérique NPJ. 2022. Li B, Feridooni T, Cuen-Ojeda C et al.Revoir

     

    9 .

    Évaluation complète de l’indice triglycéride glucose – un indice de forme corporelle (TyG-ABSI) pour la maladie artérielle périphérique incidente : phénotypage basé sur les données et prédiction du risque basée sur l’apprentissage automatique dans la UK Biobank .

    Diabétologie cardiovasculaire. 2026. Zhao W, Li X, Zhang X, et al.Récent

     

    10 .

    Techniques d’intelligence artificielle pour les évaluations pronostiques et diagnostiques dans les maladies artérielles périphériques : une revue exploratoire .

    Angiologie. 2026. Goffart S, Delingette H, Chierici A et al.RécentRevoir

    
    ​

    Commentaire

     

    L'AOMI, comme les anévrismes de l'aorte, présente de multiples FDRCV, sans oublier les déterminants sociaux de la santé et les FDRCV inhabituels. Ces multiples paramètres ne peuvent être analysés que par une IA à la condition extrême d'avoir  des DATAS fiables. De plus, les médecins doivent être présents à chaque stade de l'évolution de cet outil. Enfin, les médecins qui utiliseront cet outil devront être proches des scientifiques non médecins. Ces interactions sont utiles ,nécessaires et obligatoires. Pour l'artériopathie des MI , TOUJOURS DÉBUTER par la CLINIQUE . Aucune IA ne remplace cette approche clinique. La particularité de l'AOMI, c'est que pour des manifestations cliniques identiques chez des patients différents, la conduite à tenir sera différente, jamais identique. Pour une IA, il s'agit d'une étape difficile. 
    
    
    
    
    https://medvasc.info/administrator/index.php?option=com_content&view=article&layout=edit&id=3908