L'IA révèle un signal cardiaque insoupçonné pour prédire la mort subite

Les résultats clés de l'étude de l'UC Berkeley sur la mort subite cardiaque

Des chercheurs de l'Université de Californie à Berkeley, dirigés par le professeur associé Ziad Obermeyer, ont publié une étude le 24 juin 2026 dans la revue Nature montrant qu'un modèle d'apprentissage profond entraîné sur plus de 440 000 électrocardiogrammes (ECG) a découvert un signal électrique jusque-là méconnu dans les tracés cardiaques de routine, bien plus prédictif du risque de mort subite que les standards cliniques actuels .

Le signal insoupçonné

L'IA a identifié des motifs d'ondes très subtils dans les ECG — des pics et des courants électriques produits par le cœur — qui échappent totalement à l'œil humain et aux tests cliniques standards . Ces motifs sont corrélés à un dysfonctionnement du système électrique du cardiaque survenant avant l'arrêt cardiaque soudain. Le mécanisme physiologique exact n'est pas encore compris, mais l'IA semble avoir ciblé une caractéristique liée au fait que le cœur se met soudainement et mortellement à dysfonctionner .

Entraînement et validation

L'équipe a entraîné un modèle d'apprentissage profond en utilisant plus de 440 000 ECG provenant de Suède, associés aux certificats de décès. Le modèle a été alimenté avec des tracés de personnes en bonne santé, de patients à risque et de ceux qui sont décédés plus tard d'une mort subite cardiaque, afin qu'il apprenne à reconnaître les motifs d'ondes prédictifs de l'issue fatale . Ils ont ensuite validé le modèle sur des milliers de dossiers patients supplémentaires provenant à la fois des États-Unis (région de San Diego) et de Taïwan (Taipei) . Un article d'accompagnement dans Nature confirme que le modèle a été développé en utilisant des données ECG étendues et des registres de mortalité .

Performance de détection du risque

Le système d'IA identifie un groupe à haut risque avec un taux annuel de mort subite de 7 %, contre les tests cliniques standards (qui mesurent la fraction d'éjection du sang par battement) qui identifient un groupe à haut risque avec seulement un taux annuel de 4,6 % . Le modèle a non seulement identifié un groupe à risque plus large, mais a aussi mieux prédit qui subirait une mort subite — des différences qui se traduisent par des milliers de patients chaque année qui semblent actuellement à faible risque selon les mesures conventionnelles .

Pourquoi la détection a été si difficile

L'arrêt cardiaque soudain tue plus de 300 000 personnes aux États-Unis chaque année et survient lorsque le système électrique du cœur cesse soudainement de fonctionner sans avertissement . Obermeyer souligne qu'un traitement efficace existe — les défibrillateurs implantables qui choquent le cœur pour le rétablir — mais que les médecins ne peuvent pas déterminer qui en a besoin avant qu'il ne soit trop tard . Le problème principal est que les gens meurent si brusquement qu'il est presque impossible de savoir ce qui se passait à l'intérieur du cœur juste avant ; les autopsies révèlent des détails structurels mais pas le fonctionnement électrique immédiatement avant le décès .

Prochaines étapes

Les chercheurs prévoient de déployer l'algorithme dans les systèmes de santé pour aider les médecins à mieux identifier les patients qui ont besoin d'un défibrillateur interne . L'étude ouvre également la voie à de nouvelles recherches sur le mécanisme physiologique sous-jacent aux dysfonctionnements électriques cardiaques. Obermeyer a déclaré que l'objectif est de "non seulement prendre de meilleures décisions, mais aussi de commencer à comprendre ce qui se passe réellement chez ces patients avant que leur cœur ne s'arrête" . Comme les ECG sont des examens de routine, peu coûteux et disponibles dans les centres médicaux du monde entier, l'outil pourrait être déployé à grande échelle pour sauver des vies .