Modèles d’apprentissage automatique interprétables pour la prédiction du risque d’AVC chez les patients nouvellement diagnostiqués en fibrillation auriculaire

Pourquoi il est important de prédire le risque d’AVC

La fibrillation auriculaire, un trouble fréquent du rythme cardiaque, augmente fortement le risque d’accident vasculaire cérébral. Les médecins s’appuient aujourd’hui sur un score simple à points pour décider qui doit recevoir des anticoagulants, mais ce score manque souvent des patients à haut risque et peut classer comme traités des personnes à risque plus faible. Cette étude examine si des modèles informatiques plus sophistiqués, mais toujours compréhensibles, peuvent mieux estimer le risque d’AVC à court terme en n’utilisant que les informations dont dispose déjà chaque cabinet : l’âge, les comorbidités et les médicaments courants.

Un problème cardiaque courant aux conséquences sérieuses

La fibrillation auriculaire touche des dizaines de millions de personnes dans le monde et est une cause majeure d’AVC invalidants et mortels. Même avec les anticoagulants modernes, de nombreux patients restent exposés, en particulier la première année suivant le diagnostic du trouble du rythme. L’outil le plus utilisé aujourd’hui, le score CHA₂DS₂‑VASc, attribue des points pour des facteurs comme l’âge, l’hypertension et un antécédent d’AVC. Simple, il ne peut cependant pas capter des motifs plus subtils dans l’historique médical d’une personne et présente souvent des performances modestes pour prédire qui souffrira d’un AVC au fil du temps.

Construire des outils de risque plus intelligents mais faciles d’usage

Les chercheurs se sont appuyés sur les dossiers de santé électroniques de plus de 9 500 adultes d’un grand hôpital taïwanais récemment diagnostiqués en fibrillation auriculaire. Ils ont ensuite testé leurs modèles dans deux branches hospitalières séparées comptant plus de 2 500 patients supplémentaires. Plutôt que de s’appuyer sur des tests de laboratoire complexes ou des images, ils ont volontairement limité les entrées à l’âge, aux maladies chroniques telles que le diabète et l’hypertension, et à l’utilisation récente de médicaments courants comme les anticoagulants, les antiarythmiques et les antidiabétiques. À partir de ces informations de base, ils ont construit deux types de modèles informatiques : une régression logistique traditionnelle, qui fonctionne comme une liste pondérée transparente, et un modèle d’extreme gradient boosting plus flexible, capable de saisir des relations non linéaires complexes. Les deux modèles ont été conçus pour fournir une probabilité personnalisée d’avoir un AVC dans l’année suivant le diagnostic.

Évaluer la précision, l’équité et l’utilité en pratique

Comparés au score standard, les nouveaux modèles se sont révélés bien meilleurs pour distinguer les patients qui auraient ou non un AVC. Tant dans le groupe d’origine que dans les hôpitaux externes, les modèles d’apprentissage automatique ont correctement différencié patients à haut et faible risque environ 90 % du temps, alors que la précision du score standard se situait plutôt autour des deux tiers. Les nouveaux outils ont également fourni des estimations de risque beaucoup plus proches des taux d’AVC observés, une propriété importante pour des décisions fiables. Fait notable, en examinant séparément les performances chez les femmes et les hommes, les chercheurs n’ont trouvé aucune différence significative, ce qui suggère que les modèles ne favorisent pas injustement un sexe par rapport à l’autre, contrairement à l’ancien score qui ajoute automatiquement un point pour le sexe féminin.

Des prédictions à de meilleures décisions thérapeutiques

Pour évaluer si ces prédictions améliorées pouvaient modifier la prise en charge, l’équipe a utilisé l’analyse de courbe de décision, une méthode qui pèse les bénéfices de la prévention des AVC contre les méfaits d’un traitement inutile. Sur une large gamme de seuils de traitement, les deux modèles ont offert un bénéfice substantiellement supérieur au score standard, identifiant plus de 100 patients véritablement à haut risque supplémentaires par 1 000 sans augmenter l’usage inutile d’anticoagulants. Sur trois à cinq ans de suivi, les patients classés à haut risque par les nouveaux modèles ont clairement bénéficié des anticoagulants modernes : leurs taux d’AVC étaient plus faibles comparés à des patients à haut risque similaires qui n’avaient pas reçu ces médicaments, tandis que ceux classés à faible risque n’ont pas montré de bénéfice net évident. En revanche, les groupes définis comme haut ou faible risque par l’ancien score ont parfois présenté des schémas confus voire inversés, suggérant des erreurs de classification. Les chercheurs ont aussi utilisé des techniques d’explication visuelle pour montrer comment des facteurs spécifiques, tels qu’un antécédent d’AVC, l’âge ou l’utilisation de certains antiarythmiques, faisaient monter ou baisser l’estimation du risque d’un individu, rendant le raisonnement des modèles plus transparent pour les cliniciens.

Ce que cela signifie pour les patients et les médecins

Cette étude montre qu’il est possible de construire des outils de prédiction du risque d’AVC à la fois précis et compréhensibles en n’utilisant que des informations déjà disponibles au moment du diagnostic de fibrillation auriculaire. En identifiant mieux qui court réellement un risque élevé d’AVC à court terme, ces modèles peuvent aider les médecins à prescrire plus sûrement des anticoagulants à ceux qui en ont le plus besoin, tout en évitant un traitement inutile chez les personnes à risque plus faible. Bien que des validations supplémentaires dans d’autres pays et systèmes de santé soient nécessaires, ce travail ouvre la voie à un avenir où les décisions cliniques de tous les jours sont guidées par des outils intuitifs et fondés sur les données, adaptant la prévention des AVC à chaque patient.

Citation: Lin, J.CW., Chang, CM., Pan, HY. et al. Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation. npj Digit. Med. 9, 289 (2026). https://doi.org/10.1038/s41746-026-02470-3

Mots-clés: fibrillation auriculaire, prédiction des AVC, apprentissage automatique, stratification du risque, traitement anticoagulant