Data Challenge CardI-HACK : les résultats du défi autour de la cardiomyopathie hypertrophique
Organisé par l’IHU ICAN, avec le soutien du plan France 2030 et de la Plateforme des données de santé, le Data Challenge CardI-HACK a réuni chercheurs, data scientists et cliniciens autour d’un défi de taille : mieux prédire la sévérité et l’évolution de la cardiomyopathie hypertrophique, une maladie cardiaque héréditaire encore mal comprise.
Près de 400 équipes du monde entier se sont affrontées pour développer le meilleur modèle d’IA en réponse à cette problématique
Une compétition internationale a ainsi été lancée le 4 novembre dernier pour améliorer la prise en charge des patients atteints de cardiomyopathie hypertrophique, une maladie cardiaque rare qui touche environ 1 personne sur 500.
Pendant 8 semaines, les participants ont eu accès à une base de données anonymisées inédite regroupant les données cliniques et génomiques de 500 patients atteints de cardiomyopathie hypertrophique. Leur mission a été de concevoir des modèles d’intelligence artificielle capables de repérer les combinaisons de données les plus pertinentes afin de prédire la sévérité et le risque de complications cardiaques graves chez ces patients.
Les 400 équipes participantes ont soumis plus de 8 000 modèles pour tenter d’atteindre les meilleures performances de prédiction.
Data Challenges - Découvrez le projet CardI-HACK
Trois équipes gagnantes, trois approches innovantes
1ère place - Équipe CyberBob (Rafael Sudbrack Zimmermann et Roberta Oriques Becker) - Brésil
L’équipe a combiné plusieurs modèles statistiques pour prédire le risque de survenue d’un événement cardiovasculaire majeur (MACE) et la sévérité associée. Chaque modèle a été entraîné plusieurs fois avec différentes configurations pour obtenir des résultats fiables. Les prédictions ont ensuite été moyennées pour produire une estimation finale robuste. Le risque MACE a été classé en trois niveaux : faible, intermédiaire ou élevé, tandis que la sévérité a été exprimée en probabilités. Les cas à haut risque ont reçu une attention particulière, avec un poids accru lors de l’entraînement et de l’évaluation, afin d’améliorer leur détection.
2ème place - Équipe Fawda (Ayush Gupta, Tanish Yadav et Jaynab) - Inde
L’équipe a utilisé une approche classique d’apprentissage automatique. Elle a calculé un score génétique (Polygenic Risk Score) en utilisant toutes les variations génétiques et a créé de nouvelles variables pour améliorer les prédictions. Le risque MACE a été estimé avec une régression logistique aux seuils ajustés, tandis que la sévérité a été prédite avec un modèle CatBoost plus avancé.
3ème place - Équipe MyoPedict (Talissa Kassably, Lydia Srinivassan et Nawal Ahmed) - France
L’équipe a également utilisé une méthode simple d’apprentissage automatique.
Elle a d’abord complété les données manquantes et créé un score génétique pour résumer les informations importantes. Elle a ensuite entraîné une régression logistique pour la sévérité et un ensemble de modèles combinés (LGBM, CatBoost et ExtraTrees) pour prédire le risque MACE. Enfin, les prédictions ont été transformées en catégories pour déterminer le niveau de risque.
Ces trois équipes ont été récompensées par un prix de 14 000 € à se partager en contrepartie de la publication de leurs modèles en open source.
Un impact durable grâce à l’open source et l’open data
Les résultats du Data Challenge Cardi-Hack ne s'arrêtent pas à la compétition. Tous les modèles gagnants sont disponibles en open source, favorisant la réplicabilité et l'amélioration continue.
Par ailleurs, la base de données sur laquelle repose le challenge sera bientôt publiée en open data, stimulant ainsi la poursuite de la recherche sur cette pathologie.
En savoir plus sur le programme Data Challenges en santé de la Plateforme des données de santé (Health Data Hub)
Pour rester informé des actualités et du lancement des compétitions : inscrivez-vous à notre newsletter