Un transformeur à granularité fine combiné à des données multimodales pour prédire la durée d’hospitalisation en cas de syndrome coronarien aigu

Pourquoi la durée du séjour à l’hôpital compte

Pour les personnes admises en urgence avec des douleurs thoraciques ou un infarctus, la durée de séjour n’est pas une simple curiosité. Elle influe sur la rapidité d’obtention d’un lit, sur l’admission d’autres patients, sur le nombre d’infirmiers nécessaires par service, et même sur les coûts supportés par les familles. Cette étude présente un nouveau système d’intelligence artificielle qui estime la durée d’hospitalisation des patients atteints de syndromes coronariens aigus — des affections cardiaques dangereuses causées par l’obstruction des artères coronaires — en s’appuyant non seulement sur les dossiers médicaux mais aussi sur des images cardiaques détaillées.

Regarder à l’intérieur des artères coronaires obstruées

Les médecins utilisent déjà la tomodensitométrie (CT) pour visualiser les vaisseaux du cœur et repérer des rétrécissements ou des obstructions pouvant déclencher des syndromes coronariens aigus. Ces vaisseaux sont de longs tubes ramifiés, et de petits segments malades peuvent n’occuper qu’une infime portion de chaque image. Les modèles informatiques classiques résument souvent ces scans en mesures globales, ce qui peut masquer les détails fins de l’emplacement et de la gravité des lésions. La nouvelle approche, appelée FRAME, traite les images CT avec beaucoup plus de finesse, visant à capter des altérations subtiles de la forme des vaisseaux qui signalent la sévérité de la maladie — et la durée probable du séjour hospitalier.

Apprendre à l’ordinateur à lire les formes des vaisseaux

Les chercheurs ont d’abord mis au point une méthode permettant à l’ordinateur d’apprendre seul à reconnaître les vaisseaux sains et malades, sans étiquetage humain exhaustif. Ils ont légèrement modifié chaque image CT par des ajustements sûrs de luminosité et de forme qui n’effacent jamais les zones de lésion réelles. En comparant la version originale et la version transformée du même scan, le système a appris quelles caractéristiques doivent rester constantes et lesquelles peuvent changer lors de la transformation. Cet entraînement « auto-supervisé » a aidé le modèle à se concentrer sur les véritables motifs tridimensionnels des vaisseaux — comme les courbures, les rétrécissements et les parois irrégulières — plutôt que d’être distrait par le bruit ou des structures de fond non pertinentes.

Zoom sur de minuscules zones problématiques

Après cet entraînement, FRAME analyse les nouveaux scans CT en petits carreaux, ou patches, au lieu de traiter chaque image comme un bloc unique. Un mécanisme d’attention pèse chaque patch et met en évidence ceux qui semblent les plus liés à la maladie, effectuant un zoom sur les régions étroites et endommagées des vaisseaux tout en minimisant l’importance des zones saines. En parallèle, le système traite les informations du dossier médical électronique, notamment l’âge, la fréquence cardiaque, la fonction rénale, les marqueurs inflammatoires et les numérations cellulaires sanguines. Une étape de fusion fine permet alors aux patches CT et aux données du dossier de s’influencer mutuellement, en utilisant un Transformeur — le même type d’architecture qui sous-tend de nombreux modèles de langage modernes — pour relier les motifs de lésions vasculaires aux profils des analyses et des signes vitaux.

Mettre le modèle à l’épreuve

Pour évaluer les performances de FRAME, l’équipe l’a appliqué aux données de 615 patients traités dans un grand hôpital thoracique de Shanghai entre 2015 et 2021. Chaque patient disposait à la fois d’images CT et de dossiers médicaux détaillés, ainsi que d’une durée d’hospitalisation enregistrée. Les chercheurs ont comparé FRAME à 16 méthodes concurrentes, allant de formules classiques d’apprentissage automatique à des réseaux d’images avancés et des modèles multimodaux. Sur l’ensemble du groupe de patients et sur quatre plages de durée d’hospitalisation — de moins de cinq jours à plus de deux semaines —, le nouveau système a systématiquement fourni les prédictions les plus précises, avec des erreurs d’environ un jour en moyenne et une très forte concordance entre durées prévues et réelles.

Voir ce que le modèle voit

Au‑delà de la simple précision, l’équipe a examiné où FRAME « regardait » dans les images et sur quelles caractéristiques du dossier médical il s’appuyait. Les patches d’image mis en évidence correspondaient presque toujours à des segments vasculaires présentant des lésions visibles, ce qui suggère que le modèle avait appris des motifs cliniquement pertinents qui pourraient éventuellement aider à automatiser le contour des lésions pour les radiologues. Parmi les données du dossier, la fréquence cardiaque, les marqueurs de fonction rénale, l’acide urique, les protéines inflammatoires et certains rapports de cellules sanguines avaient le plus d’importance — et chacun montrait un lien statistique clair avec la durée d’hospitalisation. Ceci concorde avec des études cliniques antérieures, donnant aux médecins une confiance supplémentaire que le raisonnement du système est médicalement cohérent.

Ce que cela signifie pour les patients et les hôpitaux

En termes simples, l’étude montre que la combinaison soignée d’images cardiaques riches et de mesures standard au chevet permet aux ordinateurs d’estimer la durée d’hospitalisation des patients atteints de syndrome coronarien aigu plus précisément que les outils existants. En prêtant attention aux formes exactes des vaisseaux malades et aux résultats de laboratoire les plus parlants, FRAME pourrait aider les hôpitaux à planifier les lits et le personnel, à repérer plus tôt les patients à haut risque et potentiellement à accélérer l’examen des images pour des cliniciens surchargés. Les auteurs notent qu’il faudra des jeux de données plus larges et plus variés avant que de tels systèmes puissent guider les soins quotidiens, mais leur travail démontre une avancée prometteuse vers une gestion des urgences cardiaques plus intelligente et plus efficace.

Citation: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

Mots-clés: syndrome coronarien aigu, durée d’hospitalisation, imagerie cardiaque CT, IA médicale, prédiction multimodale