Machine Learning Approach Based on Echocardiographic Data to Improve Prediction of Cardiovascular Events in Hypertrophic Cardiomyopath

Objectif(s) de la recherche et intérêt pour la santé publique

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

La cardiomyopathie hypertrophique sarcomérique touche 1/500 personne.

L’évaluation du risque de complications est un enjeu majeur dans la Informations relatives à la prise en charge sanitaire, médico-sociale et financière associées à chaque bénéficiaire des

patients présentant une CMH.

Le risque rythmique a longtemps été au cœur des études comme étant la

complication principale des CMH, on réalise aujourd’hui avec le développement du

défibrillateur automatique implantable (DAI) et la baisse du risque de mort subite que

d’Autres sources complications telles que l’insuffisance cardiaque et la fibrillation atriale sont

devenues prédominantes (atteignant respectivement 40 et 25% des patients avec une

CMH).

Il n’existe pas à l’heure actuelle de score de risque permettant d’évaluer les risques

de complications associées aux arythmies ventriculaires ni de prédire l’évolution globale

des patients atteints de CMH.

L’établissement d’un algorithme utilisant les multiples paramètres déjà identifiés

permettrait de hiérarchiser les marqueurs entre eux et d’établir une Informations relatives à la prise en charge sanitaire, médico-sociale et financière associées à chaque bénéficiaire

codifié et personnalisé des patients. Nous proposons la création de cet algorithme

par une approche de Machine Learning et dans notre base de données nous avons

inclus les paramètres connus pour avoir un intérêt pronostic (taille de l’OG,

Version 1.0 du 27-02-2023 2

épaisseur maximale, gradient d’obstruction…) mais nous avons également inclus

des paramètres dont l’utilité est supposée mais encore peu démontré afin d’évaluer

leur place par rapport aux Autres sources paramètres.