Prédire les résultats des tests d’effort cardiopulmonaire dans les cardiopathies congénitales par intégration multimodale des données et apprentissage géométrique

Pourquoi cette étude cardiaque est importante

Pour les personnes nées avec une malformation cardiaque, grandir et vivre jusqu’à l’âge adulte signifie souvent faire face à l’incertitude : mon cœur tiendra‑t‑il le coup au quotidien, à l’effort ou lors d’une chirurgie majeure ? Cette étude examine si des informations déjà recueillies en routine — tracés cardiaques et comptes rendus cliniques — peuvent être combinées et analysées avec des techniques informatiques modernes pour prédire les performances cardio‑pulmonaires à l’effort, sans recourir systématiquement à un test exigeant.

Comprendre la condition physique par la respiration et le rythme cardiaque

Les médecins utilisent fréquemment un examen spécialisé sur tapis roulant ou vélo, appelé test d’effort cardiopulmonaire, pour mesurer l’oxygénation maximale et l’efficacité de l’élimination du dioxyde de carbone. Ces mesures donnent un aperçu puissant de la forme physique globale et du risque futur, en particulier chez les adultes atteints de cardiopathie congénitale. Cependant, le test est long, nécessite un équipement spécifique et n’est pas accessible à tous les patients ni à tous les hôpitaux.

Rassembler des informations patients dispersées

Les chercheurs ont rassemblé plusieurs types d’informations provenant de 436 adultes atteints de cardiopathie congénitale suivis dans un centre spécialisé écossais. Ils ont numérisé plus de quatre mille électrocardiogrammes standards à 12 dérivations — enregistrements brefs de l’activité électrique du cœur — et converti les lettres de consultation et les rapports d’effort en format structuré lisible par machine. À partir de ces documents textuels, ils ont extrait des éléments clés sur les diagnostics, les interventions cardiaques et les médicaments, tout en supprimant les informations identifiantes. Pour 258 patients ayant passé des tests d’effort, ils se sont concentrés sur deux mesures principales connues pour prédire la survie : la consommation d’oxygène de pointe et le volume de respiration nécessaire pour éliminer le dioxyde de carbone.

Trouver des motifs avec la géométrie plutôt qu’en force brute

Parce que la cardiopathie congénitale est relativement rare et très hétérogène, l’équipe ne pouvait pas s’appuyer sur d’immenses jeux de données comme ceux utilisés pour entraîner de nombreux systèmes d’intelligence artificielle modernes. Ils ont donc représenté chaque ECG comme un résumé de la façon dont les signaux des différentes dérivations varient ensemble — une empreinte mathématique du motif électrique cardiaque. Ces empreintes prennent la forme de matrices de covariance, que les auteurs ont analysées à l’aide d’outils d’une branche des mathématiques appelée géométrie riemannienne. Concrètement, cela leur a permis de mesurer les similarités entre signaux cardiaques de manière plus sensible et de créer de nouveaux exemples synthétiques réalistes en « mélangeant » en douceur les motifs de patients existants, aidant ainsi le modèle informatique à apprendre à partir d’un échantillon petit et déséquilibré.

Mélanger textes et signaux pour de meilleures prédictions

L’étude a comparé plusieurs approches pour prédire la performance à l’effort à partir de ces données. Les modèles utilisant uniquement des mesures ECG basiques, comme les intervalles et fréquences standards figurant sur les relevés de routine, ont eu de faibles performances. Quand les chercheurs ont utilisé à la place les empreintes ECG plus riches, la précision des prédictions s’est nettement améliorée. Les plus grands gains sont apparus lorsqu’ils ont combiné ces empreintes ECG avec les informations extraites des lettres cliniques, de sorte que le modèle disposait à la fois du comportement électrique du cœur et des conditions, interventions et traitements du patient. Avec cette fusion de données et leur augmentation basée sur la géométrie, les estimations informatiques de la consommation maximale d’oxygène se sont corrélées de façon modérée aux résultats réels des tests, surpassant des méthodes plus simples tant pour la prédiction continue que pour le classement des patients en bandes de risque.

Ce que cela signifie pour les patients et les équipes soignantes

Ce travail ne remplace pas encore les tests d’effort, et les auteurs reconnaissent que la précision de leur classification reste trop modeste pour des décisions cliniques directes. Mais leurs résultats montrent que des modèles soigneusement conçus, qui respectent la structure des données et s’appuient à la fois sur les tracés cardiaques et les informations cliniques narratives, peuvent anticiper de façon significative la capacité d’une personne atteinte de cardiopathie congénitale à supporter l’effort physique. À l’avenir, avec des jeux de données plus grands et plus divers, des outils similaires pourraient aider à repérer des patients dont la forme décline avant l’apparition de symptômes évidents, soutenir des décisions sur une chirurgie ou des changements de mode de vie, et étendre l’évaluation avancée du risque à des hôpitaux dépourvus d’installations complètes de test d’effort.

Citation: Alkan, M., Veldtman, G. & Deligianni, F. Predicting cardiopulmonary exercise testing outcomes in congenital heart disease through multimodal data integration and geometric learning. Sci Rep 16, 9910 (2026). https://doi.org/10.1038/s41598-026-38687-1

Mots-clés: cardiopathie congénitale, test d’effort cardiopulmonaire, électrocardiogramme, apprentissage automatique, prévision du risque