La cardiomyopathie diabétique (DbCM) est une condition subclinique marquée par des anomalies du myocarde chez les personnes atteintes de diabète, pouvant évoluer vers une insuffisance cardiaque (IC). Actuellement, l'identification précoce des patients à haut risque reste difficile, en partie à cause de l'hétérogénéité des paramètres cardiaques et des biomarqueurs.
Une nouvelle étude a exploré l'utilisation des techniques d'apprentissage automatique pour prédire les phénotypes de DbCM les plus à risque.
L'étude a utilisé des données provenant de la cohorte ARIC, qui inclut 1.199 participants diabétiques sans maladie cardiovasculaire préexistante. Un réseau neuronal profond (DeepNN) a été développé pour prédire le phénotype DbCM à haut risque, et a été validé sur deux autres cohortes externes.
Les résultats montrent que le phénotype DbCM à haut risque est associé à une incidence d'insuffisance cardiaque beaucoup plus élevée. Dans le groupe à haut risque, les patients présentaient un risque de 12,1% d'IC à 5 ans, comparé à 3,1 % pour les groupes à risque plus faible. Les principaux facteurs prédictifs de ce phénotype incluent des niveaux élevés de NT-proBNP, une augmentation de la masse ventriculaire gauche, une dilatation de l'oreillette gauche et une altération de la fonction diastolique. Le modèle DeepNN a permis d’identifier ce phénotype dans 16% à 29% des cas des cohortes externes, avec une précision remarquable.
Cette étude met en lumière l'efficacité des algorithmes d'apprentissage automatique pour identifier les patients diabétiques à haut risque de développer une insuffisance cardiaque en se basant sur des paramètres cardiaques. Ces résultats pourraient permettre une mise en œuvre plus ciblée des stratégies de prévention de l'IC chez les personnes atteintes de DbCM.
Pour en savoir plus, cliquez ici.
L’équipe de rédaction Tempo Today
