Compte rendu du congrès de la BSC - session 12

Cette année, dans le cadre du congrès de la BSC, le Groupe de travail belge sur l'Angiologie a organisé une session incontournable sur l'intelligence artificielle (IA) et les maladies cardiovasculaires. Dans ce compte rendu, nous analysons les principales informations issues de cette session.

Pourquoi avons-nous besoin de l'IA ?

Alexandre Unger, cardiologue en formation et doctorant en imagerie cardiovasculaire, attaché à l'hôpital Erasme de Bruxelles et à l'hôpital Lariboisière de Paris, a ouvert le bal avec 'l'IA pour les nuls : le point de vue d'un cardiologue'.

En médecine, la quantité de données a fortement augmenté. Le médecin dispose d'un vaste arsenal diagnostique et de données ambulatoires provenant de smartphones et de capteurs portables. Ceci s'accompagne de défis tels que la pression croissante en matière d'efficacité et un temps de consultation limité, alors que l'ambition est d'offrir une meilleure qualité de soins. Comment pouvons-nous traiter cette quantité de données et que pouvons-nous apprendre des résultats ? L'IA sous la forme de l'automatisation et d'une médecine personnalisée est souvent présentée comme une solution possible. L'automatisation vise à rendre les processus cliniques plus efficaces, tandis que la médecine personnalisée se concentre sur la prédiction des risques individuels afin de mieux adapter les soins au patient. La question reste de savoir dans quelle mesure l'IA peut actuellement tenir cette promesse.

Comment fonctionne l'IA ?

La plupart des applications d'IA actuelles en médecine reposent sur l'apprentissage automatique (machine learning, ML), une forme d'IA qui reconnaît des modèles dans les données sans initier d'action clinique autonome. Au sein du ML, on distingue les méthodes d'apprentissage 'supervisées' et 'non supervisées'.

Dans le cas de l'apprentissage 'supervisé', un modèle est entraîné à l'aide de données étiquetées, le résultat de chaque observation étant connu. L'algorithme apprend les relations entre les variables et les résultats, et peut appliquer ces connaissances pour générer une estimation du risque pour de nouveaux patients (figure 1A). Dans le cas de l'apprentissage 'non supervisé', des données non étiquetées sont analysées afin d'identifier des structures sous-jacentes ou des sous-groupes de patients sur la base de caractéristiques communes, ce qui peut contribuer à une compréhension plus fine des phénotypes de la maladie et des profils de risque (figure 1B).

L'apprentissage profond constitue un développement supplémentaire dans le cadre du ML. Il utilise des réseaux neuronaux en couches qui déduisent automatiquement les caractéristiques pertinentes à partir de données brutes et modélisent des schémas complexes. Cette technique est à la base de nombreuses applications actuelles dans l'analyse d'images médicales et la reconnaissance automatisée de formes (figure 1C).¹

On dispose aujourd'hui d'une littérature abondante et de plusieurs listes de contrôle pour accompagner le développement de modèles d'IA en médecine cardiovasculaire. En pratique, le développement d'un modèle nécessite un ensemble de données interne et externe. L'ensemble de données interne est utilisé pour entraîner le modèle. Au cours de la phase de test, les performances du modèle sont évaluées, idéalement sur l'ensemble de données interne et sur un ensemble de données externe indépendant, afin d'estimer la généralisation possible du modèle.²

Les applications d'IA en pratique clinique actuelle

Le degré d'applicabilité clinique des applications d'IA est décrit selon le concept de 'niveau de maturité technologique'. Selon ce concept, les applications axées sur l'analyse d'images, le soutien du flux de travail et la stratification du risque se situent généralement à un stade avancé de mise en oeuvre clinique. Ceci peut se traduire par un gain de temps et une réduction potentielle des diagnostics manqués. En revanche, les applications destinées à la prédiction, à la modélisation pronostique et à l'aide à la décision thérapeutique en sont encore à un stade précoce, axé sur la recherche.³

Cardiologie

Ces dernières années, le nombre de publications sur les applications d'IA et de ML en cardiologie a beaucoup augmenté. Une analyse de la littérature évaluée par des pairs dans PubMed montre que la plupart des études portent sur l'athérosclérose, l'insuffisance cardiaque et l'hypertension. Les types de données les plus étudiés concernent les données électrocardiographiques, les données d'imagerie et les données 'omiques'. Environ trois quarts des études ont pour objectif clinique le diagnostic, la prédiction du risque ou la classification.⁴

Les applications cliniques concernent actuellement surtout le domaine de l'imagerie cardiaque. L'IA peut automatiser l'acquisition et l'analyse des images, ce qui permet de réduire la durée des examens et d'uniformiser l'évaluation, notamment dans le cas de l'IRM cardiaque. De plus, la segmentation automatisée, la détermination de la fonction et le diagnostic des maladies myocardiques sont désormais intégrés dans de nombreux systèmes.^{5, 6} On développe également des modèles pour la stratification du risque, par exemple en combinant des données d'imagerie et des données cliniques, avec, dans certaines études, une meilleure précision pronostique que les modèles de risque classiques.⁷

IA et affections vasculaires

Jean-Baptiste de Freminville, chef de l'unité vasculaire, attaché au CHRU de Tours en France et titulaire d'un doctorat en informatique médicale, a poursuivi en évoquant les applications possibles dans le domaine de la médecine vasculaire.

Dans ce domaine, les applications d'IA ne sont pas encore utilisées en routine, bien que divers systèmes soient en cours de développement.

La recherche se concentre surtout sur l'analyse automatisée des images. Ainsi, la segmentation par IA des plaques carotidiennes à l'échographie peut aider à distinguer les lésions vulnérables et contribuer de ce fait à une meilleure estimation du risque d'AVC ischémique.⁸ Dans le cas des anévrismes poplités, l'IA est utilisée pour standardiser les mesures échographiques et réduire la variabilité interopérateurs.⁹ En outre, l'analyse par IA de la forme des ondes au Doppler artériel permet d'identifier les patients courant un risque accru de complications au niveau cardiovasculaire et au niveau des membres (figure 2).¹⁰

IA et embolie pulmonaire

Quentin Maloir, pneumologue et intensiviste attaché au CHU de Liège, a contribué à cette passionnante session sur l'IA avec un exposé sur l'IA et l'embolie pulmonaire.

Des applications d'IA sont développées tout au long de la chaîne de soins de l'embolie pulmonaire. Dans le contexte d'une suspicion clinique, certains modèles de ML peuvent fournir une meilleure stratification du risque que les scores traditionnels en phase aiguë.¹¹

De nombreuses applications d'IA se concentrent sur la détection automatisée des embolies pulmonaires à l'angioscanner. De manière générale, cette performance diagnostique est comparable à celle des radiologues.¹² On développe également des algorithmes pour la détection sur des scanners sans contraste et non thoraciques, mais leur précision diagnostique est encore insuffisante à l'heure actuelle.¹³ L'IA peut extraire des paramètres cardiaques et fonctionnels à partir d'images échographiques et tomodensitométriques, ce qui contribue à l'évaluation objective de la charge ventriculaire droite.¹⁴ Il existe également des modèles de stratification pronostique plus performants que les scores PESI classiques.¹⁵ L'IA pourrait apporter une valeur ajoutée particulière dans le cas de l'hypertension pulmonaire thromboembolique chronique, compte tenu des défis diagnostiques que pose cette affection. L'IA pourrait potentiellement détecter des anomalies vasculaires et parenchymateuses subtiles, mais les preuves restent limitées.^{16, 17}

Par ailleurs, les exposés nous ont donné une vision réaliste de l'IA en pratique clinique.

Le soutien de l'IA est largement applicable en pratique clinique

Outre l'analyse d'images, on développe des systèmes d'IA cliniques génériques, qui peuvent être utilisés comme assistants cliniques plus généraux. Les 'agents linguistiques' peuvent analyser les notes médicales, sélectionner les calculateurs de risque pertinents et calculer automatiquement les scores de risque spécifiques d'un patient, ce qui permet d'améliorer l'applicabilité de la stratification du risque dans le laps de temps - souvent court - d'une consultation.¹⁸ Les systèmes d'IA conversationnels, appelés grands modèles de langage, facilitent le dialogue diagnostique en analysant en temps réel le contexte clinique et en générant des propositions de diagnostics différentiels et de prise en charge. Ils affichent des performances prometteuses dans un cadre expérimental, mais nécessitent une validation clinique supplémentaire.¹⁹

Limites et défis en matière de mise en oeuvre

Pour l'instant, l'application clinique reste globalement limitée. Le 'surajustement' (overfitting) constitue un risque, les données d'entraînement n'étant pas suffisamment représentatives par rapport aux données pour lesquelles l'application clinique est utilisée. Cela peut entraîner des diagnostics erronés et une prédiction imprécise du risque pour certains groupes de patients. En outre, les performances des applications d'IA sont meilleures pour la classification et la détection que pour la prédiction pronostique et les recommandations thérapeutiques. Un autre défi est l'effet 'boîte noire', qui rend difficile l'interprétation du processus décisionnel interne. De plus, les preuves de l'efficacité clinique et de la rentabilité sont encore limitées, et des questions se posent quant à l'impact sociétal et écologique des applications d'IA à grande échelle.²⁰

Considérées dans leur ensemble, ces observations soulignent que l'intégration fructueuse de l'IA dépend 1) d'une validation rigoureuse et de données représentatives des modèles d'entraînement, 2) d'une coordination étroite entre le développeur et le clinicien, et 3) d'une attention particulière portée à la valeur ajoutée en pratique clinique.

Références

1. Sanchez-Pinto LN, Luo Y, Churpek MM. Big Data and Data Science in Critical Care. Chest. 2018 Nov;154(5):1239-48.
2. Kagiyama N, Tokodi M, Hathaway QA, Arnaout R, Davies R, Dey D, et al. PRIME 2.0: Proposed Requirements for Cardiovascular Imaging- Related Multimodal-AI Evaluation. JACC: Cardiovascular Imaging, 2025 Aug;19(2):225-51.
3. Mastrodicasa D, van Assen M, Huisman M, Leiner T, Williamson EE, Nicol ED, et al. Use of AI in Cardiac CT and MRI: A Scientific Statement from the ESCR, EuSoMII, NASCI, SCCT, SCMR, SIIM, and RSNA. Radiology. 2025 Jan;314(1):e240516.
4. Quer G, Arnaout R, Henne M, Arnaout R. Machine Learning and the Future of Cardiovascular Care: JACC State-of-the- Art Review. J Am Coll Cardiol. 2021 Jan 26;77(3):300-313.
5. Litjens G, Ciompi F, Wolterink JM, de Vos BD, Leiner T, Teuwen J, Išgum I. State-of-the-Art Deep Learning in Cardiovascular Image Analysis. JACC Cardiovasc Imaging. 2019 Aug;12(8 Pt 1):1549-1565.
6. Lüscher TF, Wenzl FA, D'Ascenzo F, Friedman PA, Antoniades C. Artificial intelligence in cardiovascular medicine: clinical applications. Eur Heart J. 2024 Oct 21;45(40):4291-4304.
7. Zhao K, Zhu Y, Chen X, Yang S, Yan W, Yang K et al. Machine Learning in Hypertrophic Cardiomyopathy: Nonlinear Model From Clinical and CMR Features Predicting Cardiovascular Events. JACC Cardiovasc Imaging. 2024 Aug;17(8):880-893.
8. Song J, Zou L, Li Y, Wang X, Qiu J, Gong K. Combining artificial intelligence assisted image segmentation and ultrasound based radiomics for the prediction of carotid plaque stability. BMC Med Imaging. 2025 Mar 17;25(1):89.
9. Bellomo TR, Goudot G, Lella SK, Landau E, Sumetsky N, Zacharias N, et al. Feasibility of Encord Artificial Intelligence Annotation of Arterial Duplex Ultrasound Images. Diagnostics (Basel). 2023 Dec 25;14(1):46.
10. McBane RD 2nd, Murphree DH, Liedl D, Lopez-Jimenez F, Arruda-Olson A, Scott CG, et al. Artificial intelligence of arterial Doppler waveforms to predict major adverse outcomes among patients with diabetes mellitus. J Vasc Surg. 2024 Jul;80(1):251-259.e3.
11. Villacorta H, Pickering JW, Horiuchi Y, Olim M, Coyne C, Maisel AS, Than MP. Machine learning with D-dimer in the risk stratification for pulmonary embolism: a derivation and internal validation study. Eur Heart J Acute Cardiovasc Care. 2022 Jan 12;11(1):13-19.
12. Langius-Wiffen E, de Jong PA, Hoesein FAM, Dekker L, van den Hoven AF, Nijholt IM, et al. Retrospective batch analysis to evaluate the diagnostic accuracy of a clinically deployed AI algorithm for the detection of acute pulmonary embolism on CTPA. Insights Imaging. 2023 Jun 6;14(1):102.
13. Hagen F, Vorberg L, Thamm F, Ditt H, Maier A, Brendel JM, et al. Improved detection of small pulmonary embolism on unenhanced computed tomography using an artificial intelligence-based algorithm - a single centre retrospective study. Int J Cardiovasc Imaging. 2024 Nov;40(11):2293-2304.
14. Liu W, Liu M, Guo X, Zhang P, Zhang L, Zhang R, et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning. Eur Radiol. 2020 Jun;30(6):3567-3575.
15. Cahan N, Klang E, Marom EM, Soffer S, Barash Y, Burshtein E, et al. Multimodal fusion models for pulmonary embolism mortality prediction. Sci Rep. 2023 May 9;13(1):7544.
16. Abdulaal L, Maiter A, Salehi M, Sharkey M, Alnasser T, Garg P, Rajaram S, Hill C, Johns C, Rothman AMK, Dwivedi K, Kiely DG, Alabed S, Swift AJ. A systematic review of artificial intelligence tools for chronic pulmonary embolism on CT pulmonary angiography. Front Radiol. 2024 Apr 9;4:1335349.
17. Lambert L, Michalek P, Burgetova A. The diagnostic performance of CT pulmonary angiography in the detection of chronic thromboembolic pulmonary hypertensionsystematic review and meta-analysis. Eur Radiol. 2022 Nov;32(11):7927-7935.
18. Jin Q, Wang Z, Yang Y, Zhu Q, Wright D, Huang T, et al. AgentMD: Empowering language agents for risk prediction with large-scale clinical tool learning. Nat Commun. 2025 Oct 23;16(1):9377.
19. Tu T, Schaekermann M, Palepu A, Saab K, Freyberg J, Tanno R, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025 Jun;642(8067):442-450.
20. Mihan A, Pandey A, Van Spall HG. Mitigating the risk of artificial intelligence bias in cardiovascular care. Lancet Digit Health. 2024 Oct;6(10):e749-e754.