« Nous entrons dans un nouveau monde. Les technologies d'apprentissage automatique, de reconnaissance vocale et de compréhension du langage naturel atteignent un lien de capacité. Le résultat final est que nous aurons bientôt des assistants artificiellement intelligents pour nous aider dans tous les aspects de notre vie" Amy Stapleton
"Avant de travailler sur l'intelligence artificielle, pourquoi ne pas faire quelque chose à propos de la stupidité naturelle ?" Steve Polyak
"Avant de travailler sur l'intelligence artificielle, pourquoi ne pas faire quelque chose à propos de la stupidité naturelle ?" Steve Polyak
Samer S Al-Droubi, MS, Eiman Jahangir, MD, Karl M Kochendorfer, MD, Marianna Krive, DO, Michal Laufer-Perl, MD, Dan Gilon, MD, Tochukwu M Okwuosa, DO, Christopher P Gans, MD, Joshua H Arnold, MD, Shakthi T Bhaskar, MD, Hesham A Yasin, MD, Jacob Krive, PhD, Artificial Intelligence Modeling to Assess The Risk of Cardiovascular Disease in Oncology Patients, European Heart Journal - Digital Health, 2023;, ztad031, https://doi.org/10.1093/ehjdh/ztad031
Modélisation de l'intelligence artificielle pour évaluer le risque de maladie cardiovasculaire chez les patients en oncologie
Article libre d'accés
Il n'existe pas d'outils complets d'apprentissage automatique (ML) utilisés par les oncologues pour aider à l'identification des risques et à l'orientation vers la cardio-oncologie.
Objectif
Cette étude applique des algorithmes ML apprentissage automatique pour identifier les patients en oncologie à risque de maladie cardiovasculaire pour les orienter vers la cardio-oncologie, et pour générer des scores de risque pour soutenir la qualité des soins.
Méthodes
Les données anonymisées des patients ont été obtenues auprès du Vanderbilt University Medical Center. Les patients atteints de cancers du sein, des reins et des lymphomes à cellules B ont été ciblés. De plus, l'étude a inclus des patients qui ont reçu des médicaments d'immunothérapie pour le traitement du mélanome, du cancer du poumon ou du cancer du rein. Des modèles d'apprentissage automatique de forêt aléatoire (RF) et de réseau de neurones artificiels (ANN) ont été appliqués pour analyser chaque cohorte.
Résultats
Au total, 20 023 dossiers ont été analysés (cancer du sein : 6 299, lymphome à cellules B : 9 227, cancer du rein : 2 047, immunothérapie des trois cancers couverts : 2 450). Les données ont été divisées au hasard en ensembles de données d'entraînement (80 %) et de test (20 %). RF et ANN ont obtenu plus de 90 % de précision et d'aire sous la courbe (AUC). Tous les modèles ANN ont obtenu de meilleurs résultats que les modèles RF et ont produit des renvois précis.
Conclusion
Les modèles prédictifs sont prêts à être transposés dans la pratique de l'oncologie pour identifier et soigner les patients à risque de maladie cardiovasculaire. Les modèles sont intégrés à l'application de dossier de santé électronique en tant que rapport des patients qui devraient être référés en cardio-oncologie pour un suivi et/ou des traitements adaptés. Les modèles soutiennent de manière opérationnelle la pratique de la cardio-oncologie. Une validation limitée a identifié 86 % des lymphomes et 58 % des patients atteints d'un cancer du rein à risque majeur de cardiotoxicité qui n'ont pas été référés en cardio-oncologie.
Synthèse pour mieux comprendre
Les taux de survie au cancer continuent de s'améliorer grâce aux progrès de la science médicale.
Bien que les nouveaux traitements augmentent la survie, ils peuvent entraîner des effets secondaires en raison de la toxicité des thérapies anticancéreuses.
La cardiotoxicité, dommage causé au cœur par des médicaments ou des traitements, a un impact sur la santé cardiaque des survivants du cancer et est classée comme la 2e principale cause de décès après un diagnostic de cancer.
La cardio-oncologie est un domaine nouveau et en plein essor qui se concentre sur l'amélioration de la santé cardiaque des patients atteints de cancer et des survivants du cancer.
En tant que nouveau domaine, l'identification des patients à référer aux cardio-oncologues reste inégale.
À l'aide d'une approche d'apprentissage automatique (ML) et de la contribution structurée de médecins spécialisés en cardio-oncologie, en oncologie et en médecine familiale, nous avons créé et validé des modèles prédictifs qui aident à identifier et à orienter les patients éligibles souffrant de problèmes cardiovasculaires vers des spécialistes en cardio-oncologie.
La cardiotoxicité, dommage causé au cœur par des médicaments ou des traitements, a un impact sur la santé cardiaque des survivants du cancer et est classée comme la 2e principale cause de décès après un diagnostic de cancer.
La cardio-oncologie est un domaine nouveau et en plein essor qui se concentre sur l'amélioration de la santé cardiaque des patients atteints de cancer et des survivants du cancer.
En tant que nouveau domaine, l'identification des patients à référer aux cardio-oncologues reste inégale.
À l'aide d'une approche d'apprentissage automatique (ML) et de la contribution structurée de médecins spécialisés en cardio-oncologie, en oncologie et en médecine familiale, nous avons créé et validé des modèles prédictifs qui aident à identifier et à orienter les patients éligibles souffrant de problèmes cardiovasculaires vers des spécialistes en cardio-oncologie.
Cette recherche démontre la capacité des modèles ML prédictifs à identifier les personnes à risque de problèmes cardiovasculaires pendant le traitement du cancer.
Ces modèles, lorsqu'ils sont intégrés dans les systèmes de dossiers de santé électroniques (DSE), peuvent alerter les médecins des patients atteints de cancer sur le risque potentiel et promouvoir une référence standardisée et rapide en cardio-oncologie.
La mise en œuvre d'algorithmes ML dans la pratique médicale a des implications pour la recherche future sur la cardiotoxicité. En établissant les bases d'ensembles de données de patients spécialisés dans le monde réel (RWE) combinés à d'autres informations telles que la génétique, la protéomique, l'ECG, de nouveaux biomarqueurs et des notes cliniques non structurées, les modèles informatiques peuvent aider les scientifiques à répondre aux questions de recherche sur la cardiotoxicité grâce à des informations dérivées des données.
Ces modèles, lorsqu'ils sont intégrés dans les systèmes de dossiers de santé électroniques (DSE), peuvent alerter les médecins des patients atteints de cancer sur le risque potentiel et promouvoir une référence standardisée et rapide en cardio-oncologie.
La mise en œuvre d'algorithmes ML dans la pratique médicale a des implications pour la recherche future sur la cardiotoxicité. En établissant les bases d'ensembles de données de patients spécialisés dans le monde réel (RWE) combinés à d'autres informations telles que la génétique, la protéomique, l'ECG, de nouveaux biomarqueurs et des notes cliniques non structurées, les modèles informatiques peuvent aider les scientifiques à répondre aux questions de recherche sur la cardiotoxicité grâce à des informations dérivées des données.
A RELIRE : https://medvasc.info/archives-blog/cancer-et-risque-cardio-vasculaire
"Les survivants du cancer ont un risque accru de développer une coronaropathie par rapport à la population générale.
Cela reflète en partie les facteurs de risque communs de la coronaropathie et du cancer, qui partagent également de nouveaux facteurs de risque tels que le CHIP (Clonal hematopiesis of indeterminate potential) .
Cette surmortalité et de surmorbidité augmente à mesure que la survie au cancer augmente.
La radiothérapie est la cause la plus fréquente de coronaropathie liée au traitement, notamment cancer du sein.
Cette surmortalité et de surmorbidité augmente à mesure que la survie au cancer augmente.
La radiothérapie est la cause la plus fréquente de coronaropathie liée au traitement, notamment cancer du sein.
Les survivants de tumeurs malignes génito-urinaires, gastro-intestinales, pulmonaires, du système nerveux et hématologiques courent un risque accru de coronaropathie.
Des stratégies efficaces sont nécessaires pour atténuer les MCV athérosclérotiques chez les survivants.
Alors que le contrôle standard des facteurs de risque est important, les outils de stratification du risque disponibles ont des limites dans la population cancéreuse. Cela est dû à l'exclusion des survivants du cancer dans les essais cliniques, et même les essais d'observation de la coronaropathie n'ont pas recueilli d'informations détaillées sur le cancer. Une stratégie formelle de dépistage de la coronaropathie chez les survivants devrait être informée par type de cancer et de traitement anticancéreux.
En l'absence de recommandations formalisées, les survivants du cancer devraient entreprendre une modification des facteurs de risque comportementaux, biologiques et psychosociaux, tout comme le fait la population générale.
Alors que le contrôle standard des facteurs de risque est important, les outils de stratification du risque disponibles ont des limites dans la population cancéreuse. Cela est dû à l'exclusion des survivants du cancer dans les essais cliniques, et même les essais d'observation de la coronaropathie n'ont pas recueilli d'informations détaillées sur le cancer. Une stratégie formelle de dépistage de la coronaropathie chez les survivants devrait être informée par type de cancer et de traitement anticancéreux.
En l'absence de recommandations formalisées, les survivants du cancer devraient entreprendre une modification des facteurs de risque comportementaux, biologiques et psychosociaux, tout comme le fait la population générale.
Des recherches supplémentaires sont nécessaires pour comprendre dans quelle mesure et comment le dépistage de la coronaropathie devrait être intégré aux soins aux survivants du cancer."
Dosage "sytématique" Lp(a) ?
LA SOLUTION : ONCO CARDIOLOGIE et MEDECINE VASCULAIRE ONCOLOGIQUE, le chaînon manquant vient d'être trouvé : l'IA (Artificial Intelligence Modeling to Assess The Risk of Cardiovascular Disease in Oncology Patients)
Ce sur risque CV dans la population qui a présenté une cancer est un élément important à prendre en compte.
Faisons un parallèle avec le sur risque de MTEV qui est plus connu que le RCV coronarien chez les patients cancéreux.
La MTEV vient compliquer fréquemment le cancer et c'est une de ses causes de mortalité . Les traitements du cancer peuvent être à l'origine de la MTEV.
On retrouve une synergie CANCER/MTEV comme RCV Coronaire/CANCER.
La prévention de la MTEV au décours du cancer existe dans les recommandations. Ces deux entitiés risque coronarien et risque de MTEV au cours du cancer sont très proches.
La MTEV sans facteur déclenchant peut faire découvrir un cancer.
Mais rappelons qu'une atteinte CV sans FDRCV peut aussi faire découvrir un cancer.
Une thrombose artérielle inexpliquée tout territoire confondu doit aussi faire rechercher un cancer. De plus si ,le cancer peut se compliquer d'une atteinte artérielle, les thromboses artérielles périphériques au cours du cancer sont connues.
Mais rappelons qu'une atteinte CV sans FDRCV peut aussi faire découvrir un cancer.
Une thrombose artérielle inexpliquée tout territoire confondu doit aussi faire rechercher un cancer. De plus si ,le cancer peut se compliquer d'une atteinte artérielle, les thromboses artérielles périphériques au cours du cancer sont connues.
MTEV / RISQUE CORONAIRE au cours du cancer sont-ils liés ? Probablement oui...... La cardio oncologie existe, la médecine vasculaire oncologique devra aussi exister.....Dans les centres qui traitent le cancer, un service cadio vasculaire mériterait de devenir une réalité...dans tous les centres
Dosage "sytématique" Lp(a) ?
LA SOLUTION : ONCO CARDIOLOGIE et MEDECINE VASCULAIRE ONCOLOGIQUE, le chaînon manquant vient d'être trouvé : l'IA (Artificial Intelligence Modeling to Assess The Risk of Cardiovascular Disease in Oncology Patients)