Développement d’une plateforme web pour prédire le risque de chute chez les patients cardiovasculaires à l’aide de l’apprentissage automatique

Pourquoi il est important de maintenir les patients cardiaques debout

Pour des millions d’adultes d’âge moyen et âgés vivant avec des problèmes cardiaques et vasculaires, un simple faux pas à la maison peut déclencher une cascade de crises de santé. Une chute grave peut entraîner des fractures, des hospitalisations et une détérioration sérieuse pour des cœurs déjà fragiles. Cette étude s’est demandé si des techniques informatiques modernes peuvent aider les médecins à repérer, bien avant un accident, quels patients cardiovasculaires sont les plus susceptibles de chuter, pour intervenir tôt et les rendre plus sûrs et plus autonomes.

Comment les problèmes cardiaques et les chutes sont liés

Les chutes sont l’une des principales causes de blessures accidentelles et de décès chez les personnes âgées dans le monde, et elles entraînent des coûts émotionnels et financiers lourds pour les familles et les systèmes de santé. Parallèlement, les maladies cardiovasculaires deviennent plus fréquentes avec le vieillissement des populations, et de nombreux patients cardiaques sont particulièrement vulnérables. Des troubles cardiaques subtils peuvent perturber la pression artérielle, l’équilibre et l’endurance, avant même que les symptômes soient évidents. Quand des personnes atteintes de maladies cardiovasculaires chutent, elles sont plus susceptibles de souffrir de complications, d’avoir besoin d’une intervention chirurgicale et de faire face à des risques plus élevés pendant la convalescence. C’est pourquoi prédire le risque de chute dans ce groupe est un enjeu urgent de santé publique.

Transformer de larges enquêtes de santé en outil de risque

Les chercheurs se sont appuyés sur une grande étude nationale chinoise portant sur des adultes de 45 ans et plus, qui suit au fil du temps la santé, le mode de vie et les facteurs sociaux. À partir de cet ensemble de données riche, ils ont identifié 1 784 personnes atteintes de maladies cardiovasculaires et les ont suivies pendant deux ans pour voir qui déclarait une chute. Ils ont examiné 40 prédicteurs potentiels, allant de l’âge, du niveau d’éducation, de la qualité du sommeil et de l’humeur à des maladies comme l’insuffisance rénale et le rhumatisme, ainsi que la douleur, les chutes antérieures et des mesures de force et de capacités cognitives. Un nettoyage minutieux des données, la gestion des valeurs manquantes et l’équilibrage des effectifs de chuteurs et non-chuteurs ont contribué à préparer l’information pour une analyse avancée.

Ce que les modèles intelligents ont appris

Plutôt que de s’en remettre uniquement aux formules statistiques traditionnelles, l’équipe a testé six méthodes différentes d’apprentissage automatique, capables de révéler des schémas complexes dans les données. Une technique appelée LASSO a aidé à réduire les nombreuses variables aux neuf plus informatives. Il s’agissait de l’âge, du niveau d’éducation, de la qualité du sommeil, de la maladie rénale, du rhumatisme, de la douleur, de la satisfaction de vie, de la dépression et des antécédents de chutes. Parmi les six modèles, une méthode connue sous le nom de Light Gradient Boosting Machine a fourni les prédictions les plus précises, séparant correctement les patients à risque plus élevé et plus faible tant dans le groupe initial que dans une vague antérieure de l’enquête utilisée comme validation externe. Pour ouvrir la « boîte noire » de l’apprentissage automatique, l’équipe a utilisé un outil d’explicabilité montrant dans quelle mesure chaque facteur augmente ou diminue le risque d’une personne.

Des facteurs de risque tangibles et modifiables

Les résultats d’explication ont mis en évidence que l’âge avancé et une chute antérieure étaient les signaux d’alerte les plus forts, tandis que la maladie rénale, les problèmes rhumatismaux, la douleur et la dépression augmentaient aussi la probabilité de chute. En revanche, un niveau d’études plus élevé, un meilleur sommeil et une plus grande satisfaction de vie avaient tendance à protéger contre les chutes. Notamment, les personnes ayant une qualité de sommeil seulement passable pouvaient présenter un risque particulièrement élevé, peut-être parce qu’elles restent actives tout en étant affectées par des problèmes subtils d’équilibre ou d’attention. Beaucoup de ces facteurs sont faciles à interroger lors d’une visite clinique ou même d’un dépistage communautaire, ce qui rend le modèle pratique pour les professionnels de santé occupés.

De la prédiction à un outil web simple

Pour aller au-delà de la théorie, les auteurs ont transformé leur modèle le plus performant en une plateforme web facile à utiliser. Un clinicien ou un intervenant peut saisir l’âge du patient, son niveau d’éducation, la qualité du sommeil, l’humeur, la douleur, la présence de maladie rénale et rhumatismale, la satisfaction de vie et les antécédents de chutes, et obtenir une estimation de la probabilité de chute au cours des deux années suivantes. Bien que l’outil ne remplace pas le jugement médical, il offre un moyen structuré de repérer les patients cardiovasculaires qui pourraient le plus bénéficier d’un renforcement musculaire, d’un contrôle de la sécurité du domicile, d’un traitement de l’humeur ou d’un suivi plus rapproché.

Ce que cela signifie pour la vie de tous les jours

Cette étude montre que l’usage intelligent des données d’enquête existantes et de l’apprentissage automatique peut aider à identifier les patients cardiovasculaires les plus susceptibles de subir une chute. En se concentrant sur un petit ensemble de facteurs compréhensibles, le modèle reste utilisable en clinique réelle tout en capturant des schémas complexes dans les données. Appliqués avec discernement, de tels outils pourraient soutenir des plans de prévention plus personnalisés, réduire les chutes dangereuses et aider les personnes atteintes de maladies cardiaques à rester sur leurs pieds et à conserver une meilleure qualité de vie en vieillissant.

Citation: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Mots-clés: maladie cardiovasculaire, risque de chute, apprentissage automatique, personnes âgées, prédiction du risque