Approche multimodale explicable pour identifier les principaux prédicteurs du risque d’AVC à partir d’ECG, d’EMG, de la pression artérielle et des signaux respiratoires

Pourquoi la respiration et les signaux cardiaques comptent pour l’AVC

L’AVC frappe rapidement mais se développe généralement silencieusement pendant des années. Les médecins savent que l’hypertension, les troubles du rythme cardiaque et les habitudes de vie augmentent le risque, pourtant il reste difficile de prévoir qui est réellement en danger. Cette étude montre que notre façon de respirer — en particulier la manière dont le corps traite le dioxyde de carbone — renferme des indices cachés sur le risque d’AVC. En combinant les signaux respiratoires, cardiaques, musculaires et de pression artérielle dans un modèle d’intelligence artificielle explicable, les auteurs révèlent de nouvelles façons de repérer les patients à haut risque et d’aider les cliniciens à comprendre pourquoi un algorithme prend telle décision.

À l’écoute des signaux discrets du corps

Plutôt que d’utiliser des examens cérébraux, coûteux et peu adaptés à une surveillance continue, les chercheurs se sont tournés vers des mesures électriques et de pression simples réalisées chez 64 volontaires, certains ayant subi un AVC ischémique et d’autres non. Ils ont enregistré sept signaux pendant que les sujets étaient assis puis debout : activité cardiaque (deux voies ECG), activité musculaire de la jambe (deux voies EMG), pression artérielle via une manchette digitale, et deux signaux respiratoires à la bouche — le dioxyde de carbone dans l’air expiré et le débit d’air. Ces mesures sont similaires à celles pouvant être collectées par des moniteurs de chevet hospitaliers ou des dispositifs portables avancés, rendant l’approche potentiellement praticable pour des bilans réguliers.

Transformer des ondes brutes en motifs lisibles par la machine

L’équipe a découpé l’enregistrement de 10 minutes de chaque personne en nombreuses tranches de 14 secondes partiellement chevauchantes, assez longues pour capturer plusieurs respirations et battements répétés. Pour chaque tranche, ils ont calculé un large éventail de descripteurs numériques simples — moyennes, variabilité, fréquence des passages par zéro, et répartition d’énergie selon les fréquences. Ces caractéristiques résument le « style » de chaque signal sans stocker les formes d’onde complètes, réduisant le coût de calcul et le bruit. Toutes les caractéristiques issues des sept signaux ont ensuite été empilées pour représenter un échantillon unique du comportement corporel de la personne pendant cette courte période.

Un modèle simple inspiré du cerveau qui surpasse les réseaux profonds

Plutôt que d’utiliser un réseau neuronal profond et complexe, les auteurs ont choisi un modèle très simple : un perceptron à couche unique. Ce modèle prend toutes les caractéristiques numériques, multiplie chacune par un poids appris, les somme, puis applique une fonction de compression pour produire une probabilité « AVC » ou « pas d’AVC ». Malgré sa simplicité, ce modèle a atteint une précision d’environ 85–88 %, surpassant des méthodes plus sophistiquées telles que les réseaux récurrents et convolutionnels, les réseaux à état d’écho en ensemble, et des classificateurs d’apprentissage automatique populaires lorsqu’ils ont tous été testés sur les mêmes données. De manière cruciale, lorsque les signaux respiratoires (dioxyde de carbone et débit d’air) ont été retirés, la précision est tombée autour de 59 %, une baisse statistiquement significative, montrant que les données respiratoires apportent une information critique que les autres signaux seuls ne captent pas.

Ouvrir la boîte noire : quels signaux comptent vraiment

Les médecins se méfient à juste titre des IA « boîte noire », aussi l’équipe a utilisé trois outils d’explicabilité — SHAP, LIME et Anchors — pour voir sur quelles caractéristiques le modèle s’appuyait le plus. Les trois ont mis en avant des caractéristiques respiratoires, en particulier celles dérivées du dioxyde de carbone, comme les principaux moteurs des prédictions. SHAP, un explicateur basé sur la théorie des jeux, a classé le niveau moyen de dioxyde de carbone expiré, sa variabilité et la pression artérielle moyenne comme les trois contributeurs principaux pour décider si un échantillon ressemblait à celui d’un patient ayant eu un AVC. Un niveau moyen élevé de dioxyde de carbone et une pression artérielle élevée poussaient le modèle vers « AVC », tandis que des motifs de dioxyde de carbone plus irréguliers suggéraient un risque plus faible. Pour juger quel explicateur était le plus fiable, les auteurs ont utilisé un test spécial : supprimer les principales caractéristiques nommées par chaque méthode et mesurer la dégradation des performances du modèle. La suppression basée sur SHAP a provoqué la plus grande chute, lui attribuant le titre d’interprète le plus fiable.

Ce que cela signifie pour les patients et les cliniciens

Pour les non‑spécialistes, la conclusion est simple : la façon dont vous respirez et l’élimination du dioxyde de carbone peuvent être aussi révélatrices du risque d’AVC que votre tension artérielle ou votre rythme cardiaque. Ce travail suggère que des moniteurs de routine capturant les gaz respiratoires, la pression artérielle, le cœur et les signaux musculaires pourraient être associés à une IA simple et transparente pour signaler des personnes méritant une surveillance rapprochée bien avant la survenue d’un AVC. Parce que le modèle est à la fois précis et explicable, les cliniciens peuvent voir quels aspects de la physiologie d’un patient expliquent l’estimation du risque, favorisant la confiance et des traitements ciblés. Des études de plus grande envergure restent nécessaires, mais les résultats mettent en évidence les mesures respiratoires liées au dioxyde de carbone comme de nouveaux marqueurs prometteurs pour la prévention de l’AVC.

Citation: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

Mots-clés: risque d’AVC, signaux respiratoires, dioxyde de carbone, IA explicable, ECG et pression artérielle