Diagnostic de la maladie coronarienne par traitement du signal et apprentissage automatique des signaux des bruits cardiaques : une revue systématique

Écouter le cœur plutôt que d’entrer dans les artères

La maladie coronarienne, dans laquelle les vaisseaux qui alimentent le cœur se rétrécissent, est l’une des principales causes de mortalité dans le monde. Aujourd’hui, les médecins confirment généralement cette maladie par des examens invasifs qui introduisent des cathéters dans le cœur ou par des appareils d’imagerie coûteux. Cette étude pose une question simple et séduisante : l’analyse approfondie des bruits cardiaques ordinaires — enregistrés par des microphones placés sur la poitrine et interprétés par des ordinateurs — pourrait-elle offrir un premier dépistage sûr et rapide des artères coronaires obstruées ?

Pourquoi les artères bouchées modifient le son du cœur

Lorsqu’une artère coronaire est rétrécie, le sang est forcé de passer par une ouverture plus étroite, générant un écoulement turbulent et à grande vitesse. Cette turbulence peut produire de faibles souffles et des vibrations supplémentaires, en particulier pendant la phase de relaxation du cœur, lorsque le flux sanguin est normalement plus calme. La même réduction de l’apport sanguin peut affaiblir subtilement la contraction cardiaque et modifier le timing et l’intensité des battements principaux. Tous ces changements remodelent légèrement la « musique » du battement cardiaque. Les stéthoscopes électroniques modernes peuvent capturer ces sons, qui sont ensuite transformés en signaux numériques pour analyse informatique.

Comment les chercheurs ont parcouru la littérature scientifique

Les auteurs ont sondé quatre grandes bases de données médicales et examiné plus d’un millier de publications portant sur les bruits cardiaques et la maladie coronarienne. Après avoir éliminé les doublons, les rapports très réduits et les articles aux méthodes défaillantes, ils sont arrivés à 40 études regroupant au total 13 814 personnes. Presque toutes ces études ont confirmé la présence ou l’absence d’un rétrécissement artériel significatif par imagerie coronaire standard, puis ont comparé ces résultats avec ce que l’on pouvait extraire des bruits cardiaques. Environ la moitié des études s’appuyaient sur le traitement du signal traditionnel — des descriptions mathématiques de l’énergie et de la fréquence du son — tandis que l’autre moitié utilisait l’apprentissage automatique, où des algorithmes apprennent des motifs directement à partir des données.

Limites des mesures sonores traditionnelles

Dans l’approche plus ancienne, les chercheurs sélectionnaient quelques caractéristiques sonores spécifiques qu’ils pensaient pouvoir refléter un rétrécissement artériel. Les mesures typiques incluaient la quantité d’énergie sonore présente dans certaines bandes de fréquence pendant la phase de relaxation du cœur, ou la durée et la force des battements principaux. Ces études semblaient souvent prometteuses sur de petits groupes de patients, affirmant parfois pouvoir identifier correctement la maladie dans plus de 70 % des cas. Mais à mesure que les tailles d’échantillon montaient à des centaines ou des milliers, la précision diminuait, tombant souvent en dessous de 70 % et parfois proche d’un résultat aléatoire. Beaucoup de ces études ont aussi testé leurs méthodes sur les mêmes personnes utilisées pour les développer, ce qui fait douter de la robustesse des résultats chez de nouveaux patients.

L’apprentissage automatique découvre les motifs cachés du cœur

Les études plus récentes ont suivi une voie différente. Plutôt que de se limiter à quelques caractéristiques choisies à la main, elles ont laissé les algorithmes informatiques apprendre des motifs plus riches dans le son. Certaines combinaient des dizaines voire des centaines de mesures traditionnelles ; d’autres alimentaient les ondes sonores brutes ou des images temps‑fréquence colorées du battement cardiaque dans des réseaux profonds. Sur 19 de ces études, la plupart ont rapporté des sensibilités et des spécificités supérieures à 80 %, ce qui signifie que les systèmes identifiaient correctement malades et personnes saines une grande partie du temps. Fait important, la plupart des études d’apprentissage automatique ont testé leurs modèles sur des bruits cardiaques de personnes qui n’avaient pas servi à l’entraînement, ce qui renforce la confiance dans la capacité de généralisation des outils. Les modèles qui analysaient l’ensemble du cycle cardiaque, plutôt que seulement la phase diastolique calme, ont tendance à être les plus performants — suggérant que des indices utiles de maladie artérielle sont disséminés tout au long du battement cardiaque, et non confinés à un seul instant.

Ce que cela pourrait signifier pour les soins quotidiens

Pris ensemble, les éléments de preuve suggèrent que l’apprentissage automatique appliqué aux bruits cardiaques présente un réel potentiel comme aide non invasive pour repérer la maladie coronarienne, tandis que de simples méthodes de traitement du signal seules sont probablement insuffisantes en termes de précision. Les auteurs soulignent toutefois que la plupart des études réalisées à ce jour sont petites et menées dans un seul hôpital, souvent dans des conditions d’enregistrement strictement contrôlées. Pour passer de la recherche à un usage courant — par exemple aux urgences, en cabinet ou via des outils basés sur smartphone — des essais plus larges et multicentriques sont nécessaires. Ces futures études devront montrer que ces systèmes demeurent précis sur des populations diversifiées, restent compréhensibles pour les cliniciens et s’intègrent parfaitement aux parcours de soins. Si ces obstacles sont levés, écouter attentivement le cœur avec l’aide de l’intelligence artificielle pourrait un jour permettre de détecter une maladie artérielle cachée bien avant qu’un test invasif ne soit requis.

Citation: Ainiwaer, A., Konings, T.J., Kadier, K. et al. Coronary artery disease diagnosis with signal processing and machine learning of heart sound signals: a systematic review. npj Digit. Med. 9, 350 (2026). https://doi.org/10.1038/s41746-026-02530-8

Mots-clés: maladie coronarienne, bruits cardiaques, apprentissage automatique, diagnostic non invasif, stéthoscope numérique