Permettre la prédiction de l’indice cheville-bras à partir des sons Doppler grâce à l’apprentissage profond

Pourquoi le flux sanguin dans les jambes compte

Des millions de personnes dans le monde présentent un mauvais apport sanguin aux jambes, une affection appelée maladie artérielle périphérique. Quand les artères des jambes se rétrécissent ou se durcissent, la marche peut devenir douloureuse et les plaies peuvent ne pas cicatriser, conduisant parfois à une amputation. Les médecins disposent d’un test simple, l’indice cheville-bras, qui compare la pression artérielle à la cheville et au bras pour détecter les problèmes tôt. Mais ce test est lent, nécessite un équipement spécialisé et échoue souvent chez les personnes dont les artères des jambes sont trop rigides pour se comprimer — en particulier les patients diabétiques ou atteints de maladie rénale. Cette étude explore si un ordinateur peut écouter les sons familiers de type « whoosh » d’un appareil Doppler portatif et estimer instantanément la qualité de la perfusion du pied.

Des sons « whoosh » à un score de risque

Les chercheurs ont créé un système qu’ils appellent AutoABI. Au lieu d’enrouler plusieurs brassards de pression autour des membres d’un patient, un clinicien utilise une sonde Doppler portative standard à la cheville, comme il le fait déjà en pratique courante. La sonde capte le son du sang qui pulse dans l’artère. Ces sons ont été enregistrés en courts extraits de quatre secondes lors de près de 800 tests chez 198 patients adressés à un laboratoire vasculaire hospitalier pour des problèmes tels que la maladie artérielle des jambes ou des troubles circulatoires liés au diabète. L’objectif était de déterminer si un programme informatique pouvait classer chaque enregistrement dans l’une des quatre plages d’indice cheville-bras, de la perfusion très pauvre à la perfusion clairement normale.

Apprendre à un ordinateur à écouter comme un spécialiste

Pour rendre l’audio compréhensible par un ordinateur, l’équipe a d’abord découpé chaque enregistrement en extraits d’une seconde capturant des battements cardiaques individuels. Ils ont ensuite converti chaque extrait en une image colorée appelée spectrogramme, qui montre comment l’énergie du son varie dans le temps et en fréquence. Ces images ont été fournies à des modèles d’apprentissage profond connus sous le nom de réseaux de neurones convolutionnels. Les modèles, basés sur deux versions d’une architecture d’analyse d’images courante appelée ResNet, ont appris à reconnaître des motifs dans les sons Doppler correspondant à des catégories cliniquement pertinentes d’indice cheville-bras. Les chercheurs ont soigneusement réparti les données de sorte que les sons d’un même patient n’apparaissent jamais à la fois dans l’entraînement et dans les tests, ce qui aide à garantir que le système apprend des règles générales plutôt que de mémoriser des cas spécifiques.

Performances du système

Une fois entraîné, AutoABI a montré une forte capacité à distinguer les quatre catégories de flux sanguin. Pour les deux versions du modèle, il a correctement séparé la circulation normale de la maladie avec une très grande précision, mesurée à l’aide de statistiques standard telles que l’aire sous la courbe de la caractéristique de performance (AUC), qui s’est approchée ou a dépassé 0,95 pour toutes les classes. La plupart des erreurs survenaient aux frontières floues entre « presque normal » et une perfusion légèrement réduite, où même les experts peuvent diverger à l’œil ou à l’oreille. Fait important, lorsque l’équipe a appliqué le système à un petit groupe de patients diabétiques dont les artères des jambes étaient trop rigides pour la mesure conventionnelle de l’indice cheville-bras, les prédictions du modèle correspondaient aux attentes des spécialistes basées sur la forme des ondes Doppler dans les dix cas.

Ce que cela pourrait signifier en clinique

Les auteurs ont comparé leur approche aux appareils commerciaux automatisés d’indice cheville-bras qui reposent encore sur plusieurs brassards et mesures de pression. Ces dispositifs sont rapides mais partagent la même faiblesse : ils ne fonctionnent pas bien lorsque les artères sont rigides et ne peuvent pas être comprimées. AutoABI, en revanche, nécessite uniquement le Doppler portatif largement disponible et un appareil capable d’exécuter le modèle d’apprentissage profond, comme un smartphone. Il échange des valeurs numériques précises contre des plages plus larges, mais en retour peut fournir une orientation rapide et objective au chevet, aux urgences ou dans des cliniques dépourvues d’un laboratoire vasculaire complet. Le système pourrait être particulièrement utile dans les milieux à ressources limitées et pour les patients à haut risque lorsque les mesures traditionnelles sont peu fiables.

Prochaines étapes vers l’utilisation en conditions réelles

L’étude constitue une preuve de concept préliminaire, et les auteurs soulignent ses limites. Le jeu de données, bien que collecté soigneusement, était modeste en taille, et le nombre de vaisseaux non compressibles étudiés était très faible. La qualité des enregistrements dépendait de la façon dont le technicien tenait la sonde et du bruit ambiant, et le système n’a pas encore été testé sur différentes marques d’appareils Doppler ni dans des environnements ambulatoires très fréquentés. Les travaux futurs devront inclure des groupes de patients plus larges et plus divers, l’intégration des antécédents médicaux et une surveillance continue pour prévenir les biais et la dérive des performances. Néanmoins, les résultats suggèrent que l’apprentissage des ordinateurs à « écouter » le flux sanguin pourrait rendre les tests de circulation des jambes plus rapides, moins coûteux et plus largement accessibles — pouvant potentiellement détecter des maladies vasculaires graves avant qu’elles n’entraînent des complications aux conséquences importantes.

Citation: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

Mots-clés: maladie artérielle périphérique, indice cheville-bras, échographie Doppler, apprentissage profond, perfusion des membres