Un cadre d’intelligence artificielle explicable pour la prédiction de la maladie cardiaque ischémique utilisant une sélection de caractéristiques améliorée inspirée des écureuils planeurs

Pourquoi des bilans cardiaques plus intelligents comptent

Les maladies cardiaques restent la première cause de mortalité dans le monde, mais les médecins doivent souvent concilier un temps limité, de nombreux résultats d’examens et des outils informatiques complexes. Cette étude montre comment un système d’intelligence artificielle facile à expliquer peut aider les cliniciens à repérer précocement la maladie cardiaque ischémique tout en rendant sa logique transparente. Plutôt que de dissimuler ses décisions dans une boîte noire, le système met en avant les quelques mesures de test qui importent le plus, aidant les praticiens à s’appuyer sur l’aide informatique sans perdre confiance ni contrôle.

Les problèmes cardiaques et les données qui les sous-tendent

La maladie cardiaque ischémique survient lorsque le flux sanguin vers le cœur est réduit, souvent en raison d’artères obstruées. Les médecins considèrent de nombreuses informations, telles que l’âge, la tension artérielle, le cholestérol, les douleurs thoraciques et les résultats des examens cardiaques. Le jeu de données UCI Heart Disease utilisé ici rassemble 303 dossiers de patients avec 13 de ces facteurs plus une étiquette indiquant la présence ou l’absence de la maladie. Si cette richesse favorise la prédiction, trop de mesures redondantes ou peu utiles peuvent embrouiller humains et machines, ralentir l’analyse et parfois diminuer la précision.

Nettoyer et alléger le dossier médical

Avant qu’un ordinateur n’apprenne à partir des données, les enregistrements bruts doivent être nettoyés et reformattés. Les chercheurs ont comblé les valeurs manquantes en empruntant des informations à des patients similaires, mis toutes les mesures à une même échelle, transformé des catégories textuelles comme le type de douleur thoracique en valeurs numériques, et vérifié soigneusement les valeurs inhabituelles pour distinguer les véritables cas extrêmes des erreurs probables. Ils ont aussi équilibré le nombre de patients malades et sains en générant des exemples réalistes supplémentaires pour le groupe minoritaire, et supprimé les caractéristiques presque dupliquées. Le résultat est un tableau ordonné où chaque colonne est significative et prêt pour l’analyse.

Comment les écureuils planeurs inspirent le choix des caractéristiques

L’idée centrale de l’étude est que l’ordinateur n’a pas besoin de toutes les mesures disponibles pour faire de bonnes prédictions. Il doit plutôt rechercher automatiquement un petit ensemble des plus informatives. Pour cela, les auteurs utilisent une méthode d’optimisation inspirée de la façon dont les écureuils planeurs cherchent de la nourriture dans une forêt. Dans leur procédure d’Optimisation améliorée inspirée des écureuils planeurs, chaque « écureuil » représente un sous-ensemble possible de caractéristiques, et le groupe plane collectivement dans l’espace de recherche, ajustant ses déplacements lorsque le progrès stagne. Les combinaisons les plus performantes sont conservées et affinées, à la recherche du plus petit groupe de mesures qui permet encore des décisions très précises.

Apprendre le modèle et ouvrir la boîte noire

Une fois que la recherche inspirée des écureuils a sélectionné un sous-ensemble optimal de caractéristiques, un modèle de Forêt Aléatoire est entraîné pour prédire qui souffre de maladie cardiaque. La Forêt Aléatoire utilise de nombreux arbres de décision légèrement différents dont les votes sont combinés, ce qui rend la prédiction finale robuste au bruit des données. Sur les caractéristiques choisies, le modèle atteint environ 96 à 98 % de précision et un score très élevé pour séparer malades et sains. Pour rendre sa logique compréhensible, les chercheurs appliquent ensuite deux outils d’explicabilité. L’un, appelé SHAP, montre quels facteurs sont les plus influents sur l’ensemble du jeu de données, tandis que l’autre, LIME, se concentre sur des patients individuels pour expliquer comment leurs valeurs spécifiques poussent la prédiction vers un risque plus élevé ou plus faible.

Ce que cela signifie pour les patients et les médecins

En termes simples, l’étude construit un outil d’aide à la prédiction des maladies cardiaques à la fois performant et explicite. En réduisant les entrées à une poignée de mesures clés puis en fournissant des explications visuelles claires, le système peut indiquer au clinicien non seulement qu’un patient est susceptible d’avoir une maladie cardiaque ischémique, mais aussi quels éléments (par exemple un certain résultat d’examen ou un niveau de variation liée à l’effort) motivent cette conclusion. Cet équilibre entre précision, simplicité et clarté rend l’approche plus adaptée aux cliniques réelles, et elle pourrait être étendue à l’avenir aux grands hôpitaux et à des sources de données plus riches comme les objets connectés et les examens d’imagerie.

Citation: Cenitta, D., Arul, N., Arjunan, R.V. et al. An explainable artificial intelligence framework for ischemic heart disease prediction using enhanced squirrel search feature selection. Sci Rep 16, 15422 (2026). https://doi.org/10.1038/s41598-026-46823-0

Mots-clés: maladie cardiaque ischémique, IA explicable, prédiction des maladies cardiaques, sélection de caractéristiques, forêt aléatoire