Clics : 164

IA prédictive/Diabéte type2/ Atteinte CV

" À terme, les médecins adopteront l'IA et les algorithmes comme partenaires de travail. Cette uniformisation du paysage des connaissances médicales entraînera à terme une nouvelle priorité : trouver et former des médecins dotés du plus haut niveau d'intelligence émotionnelle" Eric Topol, 

" Ce que nous devons tous faire, c'est nous assurer que nous utilisons l'IA d'une manière qui profite à l'humanité, et non au détriment de l'humanité" Tim Cook


Nur A, Tjandra S, Yumnanisha DA, Keane A, Bachtiar A. Predicting the risks of stroke, cardiovascular disease, and peripheral vascular disease among people with type 2 diabetes with artificial intelligence models: A systematic review and meta-analysis.

Prédire les risques d'accident vasculaire cérébral, de maladie cardiovasculaire et de maladie vasculaire périphérique chez les personnes atteintes de diabète de type 2 à l'aide de modèles d'intelligence artificielle : une revue systématique et une métanalyse

Narra J. 2025 Apr;5(1):e2116. doi: 10.52225/narra.v5i1.2116. Epub 2025 Mar 19. PMID: 40352176; PMCID: PMC12059823.
https://pmc.ncbi.nlm.nih.gov/articles/PMC12059823/
Article en libre accès


Les complications macro vasculaires, notamment les accidents vasculaires cérébraux (AVC), les maladies cardiovasculaires (MCV) et celles vasculaires périphériques (MVP), contribuent significativement à la morbidité et à la mortalité chez les personnes atteintes de diabète de type 2 (DT2).
L'objectif de cette étude était d'évaluer la performance des modèles d'intelligence artificielle (IA) dans la prédiction de ces complications, en mettant l'accent sur leur applicabilité dans divers contextes de soins de santé.
Conformément aux recommandations PRISMA, une recherche systématique a été menée dans six bases de données, aboutissant à 46 études éligibles avec 184 modèles d'IA.
La performance prédictive a été évaluée à l'aide de l'aire sous la courbe caractéristique d'exploitation du récepteur (AUROC). Des analyses de sous-groupes ont examiné la performance du modèle par type de résultat, données prédictives (laboratoire uniquement, hors laboratoire, mixtes) et type d'algorithme. L'hétérogénéité a été évaluée à l'aide de statistiques I2 , et des analyses de sensibilité ont examiné les valeurs aberrantes et les biais de l'étude. Français L'AUROC groupé pour tous les modèles d'IA était de 0,753 (IC à 95 % : 0,740-0,766 ; I 2 = 99-99 %). Les modèles prédisant les DPV ont obtenu l'AUROC le plus élevé (0,794), suivis des maladies cérébrovasculaires (0,770) et des MCV (0,741). Les algorithmes de renforcement du gradient ont surpassé les autres (AUROC : 0,789). Les modèles avec des prédicteurs de laboratoire uniquement ont eu des performances supérieures (AUROC : 0,837) par rapport aux prédicteurs mixtes (0,759) et non laboratoires (0,714). Les validations externes ont signalé une réduction de l'AUROC (0,725), soulignant les limites de la généralisabilité.



Les modèles d'IA montrent une précision prédictive modérée pour les complications macro vasculaires du DT2, les prédicteurs établis sur le laboratoire étant essentiels à la performance.

Cependant, la validation externe limitée et la dépendance à l'égard des données à ressources élevées limitent la mise en œuvre dans les environnements à faibles ressources.
Les efforts futurs devraient se concentrer sur les prédicteurs non issus du laboratoire, la validation externe et les solutions d’IA adaptées au contexte pour améliorer l’applicabilité mondiale.



RESUME GENERATIF

Ce document est une revue systématique et une méta-analyse sur l'utilisation des modèles d'intelligence artificielle pour prédire les risques d'accidents vasculaires cérébraux, de maladies cardiovasculaires et de maladies vasculaires périphériques chez les personnes atteintes de diabète de type 2.

Performance des modèles d'IA pour les complications du diabète

Les modèles d'intelligence artificielle (IA) montrent une précision modérée dans la prédiction des complications macro vasculaires chez les personnes atteintes de diabète de type 2.

    • * Pooled AUROC pour tous les modèles d'IA : 0,753 (95% CI : 0,740–0,766).
    • * Modèles prédisant les maladies vasculaires périphériques (PVD) : AUROC de 0,794.
    • * Modèles prédisant les maladies cérébrovasculaires : AUROC de 0,770.
    • * Modèles prédisant les maladies cardiovasculaires (CVD) : AUROC de 0,741.
    • Les algorithmes de gradient boosting ont obtenu les meilleures performances (AUROC : 0,789).
    • * Les modèles avec des prédicteurs uniquement de laboratoire ont montré une performance supérieure (AUROC : 0,837).

Méthodologie de la revue systématique

Une revue systématique a été réalisée pour évaluer l'efficacité des modèles d'IA dans la prédiction des complications du diabète.

    • * Suivi des directives PRISMA pour la recherche et l'analyse.
    • * Recherche dans six bases de données, aboutissant à 46 études éligibles avec 184 modèles d'IA.
    • * Évaluation de la performance prédictive via l'AUROC.
    • * Analyses de sous-groupes par type de résultat, type de données prédicteur et type d'algorithme.

Caractéristiques des études incluses

Les études incluses dans la revue systématique présentent une diversité considérable en termes de population et de résultats.

    • * 46 études provenant de divers pays, dont 63% des pays à revenu élevé.
    • * La taille de l'échantillon varie de 111 à 1 910 674 participants.
    • * 250 prédicteurs identifiés, dont 61,6% sont des prédicteurs de laboratoire.
    • * 78% des études ont un risque de biais élevé ou incertain.

Analyse des performances prédictives

Les performances des modèles d'IA varient considérablement selon le type de complication prédite.

    • * Les modèles de CVD ont un AUROC de 0,741, tandis que ceux de PVD et de maladies cérébrovasculaires ont des AUROC de 0,794 et 0,770 respectivement.
    •  * Hétérogénéité élevée observée (I² proche de 100%).
    •  * Les modèles sans validation externe ont un AUROC supérieur (0,765) par rapport à ceux avec validation externe (0,725).

Limitations et recommandations pour l'avenir

  • Les modèles d'IA présentent des limitations qui doivent être abordées pour améliorer leur applicabilité.
  • * Faible généralisation due à un manque de validation externe.
    * Besoin d'améliorer les modèles établis sur des données non laboratoiresµ
  • *  Importance de l'imputation appropriée des données manquantes pour améliorer les performances.
    • * Nécessité de recherches supplémentaires dans les pays à revenu faible et intermédiaire pour garantir l'applicabilité des résultats.

Risques de biais dans les études

L'analyse a révélé des risques significatifs de biais dans les études examinées, affectant la fiabilité des résultats.

    • De nombreuses études présentent un risque de biais élevé ou incertain.
    • Problèmes identifiés : données incomplètes, échantillonnage insuffisant, et considérée inadéquate des prédicteurs clés.
    • La dépendance à la validation interne et la sous-représentation des groupes de patients divers augmentent les biais.
    • Les études multicentriques ou établies sur des bases de données nationales montrent généralement moins de biais.
    • Les futures recherches doivent se concentrer sur des données d'entraînement diversifiées et de haute qualité.

Promesse de l'IA dans la santé

L'application de l'IA et de l'apprentissage automatique dans la prédiction des complications est prometteuse mais nécessite des validations rigoureuses.

    • Les modèles d'IA peuvent permettre un diagnostic précoce et précis, facilitant des interventions rapides.
    • L'accent doit être mis sur l'amélioration des modèles non établis sur des laboratoires.
    • Un cadre éthique est nécessaire pour garantir la protection des données, le consentement des patients et la transparence des algorithmes.
    • La collaboration entre décideurs, bioéthiciens et chercheurs est essentielle pour surmonter les défis d'implémentation.

Limitations des modèles d'IA

Cette étude souligne les capacités et les limites des modèles d'IA dans la prédiction des complications du diabète de type 2.

    • Inclusion d'études de plusieurs pays avec des niveaux de revenu variés, offrant une perspective large.
    • Hétérogénéité élevée des études incluses, une limitation clé souvent observée dans les méta-analyses de performance des modèles d'IA.
    • Validation externe limitée, et la précision prédictive supérieure dépend souvent des données de laboratoire.
    • Les futures études doivent améliorer les modèles non établis sur des laboratoires pour une meilleure applicabilité dans les contextes à faibles ressources.

Conclusions sur l'intégration de l'IA

La revue met en lumière le potentiel des modèles d'apprentissage automatique pour prédire les complications macro vasculaires du diabète de type 2.

    • Bien que la performance soit modérée et l'hétérogénéité élevée, il est crucial de développer des modèles spécifiques au contexte.
    • Les recherches futures doivent viser à améliorer les modèles non établis sur des laboratoires et à élargir la validation externe.
    • La collaboration et les considérations éthiques sont essentielles pour une intégration réussie de l'IA dans le secteur de la santé.

SYNTHÈSE
Cet article de revue systématique et de métanalyse examine la performance des modèles d'intelligence artificielle (IA) dans la prédiction des complications macro vasculaires (AVC, maladies cardiovasculaires, maladies vasculaires périphériques) chez les personnes atteintes de diabète de type 2 (DT2). Les auteurs ont analysé 46 études, avec 184 modèles d'IA, et ont trouvé une précision prédictive modérée, avec des performances variant selon le type de complication et les données utilisées comme prédicteurs. Les modèles s'appuyant uniquement sur des données de laboratoire ont montré la meilleure performance, tandis que la validation externe a révélé une baisse de précision, soulignant les défis de la généralisation. Les conclusions mettent en lumière la nécessité d'améliorer les modèles établis sur des prédicteurs non liés aux laboratoires et d'intensifier les validations externes pour une application plus large, en particulier dans les régions à faibles ressources. La recherche appelle également à une collaboration éthique pour l'intégration réussie de l'IA dans les soins de santé.(Notebook LM)


ANALYSE IA / PERPLEXITY

L’article examine l’efficacité des modèles d’intelligence artificielle (IA) pour prédire les risques d’AVC, de maladies cardiovasculaires (MCV) et de maladies vasculaires périphériques (MVP) chez les personnes atteintes de diabète de type 2. Les modèles IA sont globalement d’une précision modérée, surtout quand ils utilisent des données de laboratoire, mais rencontrent encore des limites de généralisation, notamment dans des contextes à faibles ressources.

Objectif et méthodes

 

L’objectif de cette revue systématique et métanalyse est d’évaluer la performance prédictive des modèles IA sur les complications macro vasculaires du diabète de type 2 : AVC, MCV, MVP. Les chercheurs ont analysé 46 études, avec 184 modèles IA, et mesuré leur performance par l’aire sous la courbe ROC (AUROC).

Résultats clés

  • Performance générale : L’AUROC global des modèles IA est de 0,753 (IC95% : 0,740-0,766), indiquant une précision modérée mais significative.

  • Par type de complication :

    • MVP : AUROC de 0,794 (meilleure performance)

    • AVC : AUROC de 0,770

    • MCV : AUROC de 0,741

  • Type d’algorithme : les modèles de type « gradient boosting » sont les plus performants (AUROC : 0,789).

  • Variables prédictives :

    • Variables uniquement issues de laboratoire : AUROC de 0,837 (le plus élevé)

    • Variables mixtes : AUROC de 0,759

    • Variables non-laboratoires : AUROC de 0,714

  • Validation externe : lors de tests sur des cohortes externes, l’AUROC chute à 0,725, ce qui révèle des problèmes de généralisation.

Limites et perspectives

  • Peu de modèles ont été validés sur des populations externes, limitant l’applicabilité en pratique clinique générale et surtout dans les systèmes de santé à faibles ressources.

  • Les performances dépendent beaucoup de la qualité et du type des données utilisées, et les modèles reposant sur des données de laboratoire restent les plus efficaces, ce qui pose problème pour leur utilisation dans des contextes où ces données sont difficiles à obtenir.

  • Les auteurs recommandent de développer davantage de modèles utilisant des variables non-laboratoires, d’augmenter les validations externes et d’adapter les solutions IA au contexte local pour une meilleure applicabilité globale.

Conclusion

L’IA offre des perspectives intéressantes pour la prédiction des risques macrovasculaires chez les diabétiques de type 2, notamment grâce aux variables biologiques, mais l’adaptabilité, la validation externe et l’accès aux données restent des défis majeurs avant une intégration large en clinique.

OIG2

Commentaire
L'IA est un outil performant en médecine, mais à la condition d'avoir des datas performantes. Cet article est une première approche mais qui nécessite encore beaucoup de travail. Prédire les risques d'accident vasculaire cérébral, de maladie cardiovasculaire et de maladie vasculaire périphérique chez les personnes atteintes de diabète de type 2 à l'aide de modèles d'intelligence artificielle est une entreprise très utile, patientons encore, avant  d'avoir un système plus performant. Mais c'est une approche utile à concrétiser. Le domaine de la médecine prédictive est un des vastes chantiers pour l'IA médicale.

Copyright : Dr Jean-Pierre Laroche / 2025