Resynchronisation cardiaque : un jumeau numérique pour choisir où poser la sonde dans le sinus coronaire — pilote sur 74 patients, rien de validé en prospectif

Une équipe des universités de l'Oural (Russie) propose un outil d'aide à la décision pour la resynchronisation cardiaque : à partir d'un jumeau numérique du cœur reconstruit par imagerie, de simulations électrophysiologiques et d'un classifieur explicable, il attribue à chaque emplacement possible de la sonde ventriculaire gauche, dans le sinus coronaire, une probabilité de réponse au traitement. Sur 74 candidats, le modèle dépasse un calculateur clinique de référence (précision 0,78 contre 0,58 ; AUC 0,78 en validation interne). Mais la validation est rétrospective et interne, la cohorte petite, deux jeux de données hétérogènes ont été fusionnés, et le résultat central — pour cinq patients non-répondeurs, « une autre position de sonde aurait donné une réponse » — reste une prédiction in silico que les auteurs eux-mêmes refusent de présenter comme un fait clinique.

Le contexte

La resynchronisation cardiaque (CRT, cardiac resynchronization therapy) est un traitement de l'insuffisance cardiaque avec bloc de branche gauche : on implante un stimulateur qui déclenche simultanément les deux ventricules pour corriger leur contraction désynchronisée. Le problème connu du domaine est que ce traitement échoue chez environ 30 % des patients, souvent parce que la sonde qui stimule le ventricule gauche est posée à un mauvais endroit. Cette sonde chemine par le sinus coronaire, le réseau de veines à la surface du cœur, et le chirurgien ne dispose que d'un choix limité de branches accessibles.

Comment choisir la meilleure branche avant l'intervention ? Les stratégies proposées jusqu'ici visent la zone du ventricule gauche activée le plus tardivement, évitent les zones de fibrose (tissu cicatriciel qui conduit mal le courant électrique), ou maximisent un délai électrique mesuré à la pose. Aucune, notent les auteurs, ne combine dans une même optimisation l'anatomie veineuse propre au patient, la carte de sa fibrose, et l'effet électrique simulé d'une stimulation à tel ou tel point précis. Et aucune recommandation officielle n'impose de méthode d'optimisation du site. C'est ce vide que le papier cherche à combler.

La méthode

La pièce maîtresse est un jumeau numérique (digital twin) : une copie informatique du cœur d'un patient, construite à partir de son scanner (anatomie des ventricules et des veines coronaires) et d'une IRM de rehaussement tardif au gadolinium (LGE-MRI, qui révèle la fibrose). Les ventricules, poumons, thorax et sinus coronaire sont segmentés manuellement ; la fibrose est cartographiée puis intégrée à un maillage volumique. Sur ce modèle, la propagation de l'onde électrique est simulée par un modèle Eikonal — une équation qui calcule le temps d'arrivée du front d'activation en chaque point — avec une conduction ralentie (facteur 0,3) dans les zones fibreuses. Le modèle est calibré en ajustant la durée du QRS simulé à l'électrocardiogramme réel du patient.

Sur ce jumeau, on simule la stimulation biventriculaire à de multiples sites candidats le long des veines accessibles, et on en extrait des indices électrophysiologiques. Ces indices simulés sont fusionnés avec des variables cliniques (fraction d'éjection, volumes ventriculaires, durée du QRS) et des mesures géométriques (distance de la sonde à la fibrose, distance à la zone d'activation tardive) pour former un jeu de caractéristiques « hybride ». Un classifieur d'apprentissage automatique reçoit ce vecteur et produit un score entre 0 et 1 : la probabilité prédite de réponse à la CRT pour ce site précis. Certaines caractéristiques sont recalculées à chaque emplacement, ce qui permet une prédiction site par site.

La cohorte réunit 74 candidats du Almazov National Medical Research Centre (Saint-Pétersbourg) : 55 patients d'un travail antérieur (sans anatomie veineuse détaillée) et 19 nouveaux patients avec veinographie scanner et cartographie fine de la fibrose. La réponse est définie par échographie comme une amélioration de la fraction d'éjection de plus de 10 % à un an. L'ensemble compte 30 répondeurs (40,5 %) et 44 non-répondeurs (59,5 %). Le pipeline a comparé cinq algorithmes ; le meilleur est une machine à vecteurs de support (SVM) à noyau gaussien, retenant 11 variables. L'évaluation se fait par leave-one-out cross-validation (LOO-CV : on entraîne sur 73 patients, on teste sur le 74^e, et on recommence pour chacun), avec toutes les étapes de prétraitement enfermées dans chaque pli pour éviter la fuite de données. Une analyse SHAP (qui attribue à chaque variable sa contribution au score) fournit l'explication de chaque prédiction.

Les résultats

En validation interne, le classifieur atteint une AUC de 0,78, une précision de 0,78, une sensibilité de 0,80 et une spécificité de 0,77. L'AUC (aire sous la courbe ROC) mesure la capacité à classer un répondeur devant un non-répondeur : 0,78 signifie que sur un répondeur et un non-répondeur tirés au hasard, le modèle attribue le score le plus élevé au bon environ 78 fois sur 100. Comparé sur la même cohorte au calculateur clinique de référence (Feeny et al.), le modèle fait nettement mieux : précision 0,78 contre 0,58, F1-score 0,75 contre 0,43. Une analyse bootstrap (200 rééchantillonnages) donne une AUC moyenne de 0,85 (IC à 95 % : 0,70–0,95). Les variables les plus influentes, selon SHAP, sont la fraction d'éjection de départ (plus elle est haute, plus le score de gain baisse), la classe d'insuffisance cardiaque, l'IMC, puis la distance de la sonde à la fibrose et à la zone d'activation tardive.

Le résultat mis en avant concerne les 19 patients avec anatomie veineuse reconstruite, dont 13 non-répondeurs en réalité. Pour 8 d'entre eux, le modèle ne trouve aucun site accessible dans le sinus coronaire donnant un score positif : la CRT conventionnelle serait vouée à l'échec quel que soit l'endroit, ce qui plaiderait pour une autre stratégie de stimulation. Pour les 5 autres, le modèle désigne un site alternatif où il prédit une réponse. Traduction clinique : il n'y en a pas encore, et les auteurs le disent. Ces 5 « reclassés en virtuellement positifs » n'ont jamais été implantés au site suggéré ; c'est une prédiction sur ordinateur, pas un résultat mesuré chez un patient. Aucun décompte de faux positifs et faux négatifs sur une population réelle, aucune validation prospective ne vient encore appuyer cette promesse.

Ce qui est bien

Un vrai problème clinique, une approche qui relie enfin prédiction et anatomie. Prédire la réponse à la CRT est un vieux sujet, mais le papier fait quelque chose de neuf : il attache la prédiction à un emplacement précis dans les veines réellement accessibles au chirurgien, pas à une surface abstraite du ventricule. Cartographier la probabilité de réponse le long du sinus coronaire, avant l'intervention, répond à une question que le praticien se pose vraiment.

Une méthodologie ML sérieuse et honnête sur ses chiffres. La fuite de données est activement évitée (prétraitement à l'intérieur de chaque pli), l'optimisation des hyperparamètres est imbriquée, et les auteurs rapportent que le test de permutation est significatif pour l'AUC mais non significatif pour le F1-score (p = 0,26) — c'est-à-dire que le seuil de décision est fragile à cette taille d'échantillon, aveu rare et salutaire. L'interprétabilité par SHAP n'est pas un vernis : elle donne, patient par patient, la raison anatomique du score.

Une prudence explicite sur la portée. Le texte qualifie lui-même les reclassements de prédictions « in silico, non validées cliniquement », note que deux répondeurs mal classés ne sont corrigés par aucun site alternatif, et conclut que la validation prospective et l'évaluation réglementaire sont nécessaires avant tout déploiement. Cette retenue tranche avec le ton habituel des annonces d'IA en santé.

Ce qui est moins bien

Une validation purement interne, sur une petite cohorte d'un seul centre. Tout repose sur 74 patients d'un unique hôpital russe, en LOO-CV : aucune validation externe, aucune cohorte prospective. C'est un biais de population non levé — on ignore si le modèle tient sur un autre centre, un autre scanner, une autre population. L'AUC bootstrap de 0,85 est plus flatteuse que l'AUC LOO de 0,78 parce qu'elle rééchantillonne les mêmes données, et son intervalle de confiance très large (0,70–0,95) trahit la petitesse de l'échantillon.

Le cœur du résultat n'est pas testé — il est circulaire. Le classifieur est entraîné sur l'issue observée au site réellement implanté, puis utilisé pour noter des sites hypothétiques où personne n'a posé de sonde. Affirmer qu'un autre emplacement « aurait donné une réponse » suppose exactement ce qu'il faudrait prouver : que déplacer la sonde change l'issue. Sans essai où l'on implante effectivement au site suggéré, l'apport clinique reste une conjecture — les auteurs le reconnaissent, mais c'est bien la limite qui vide le titre de sa promesse.

Deux jeux hétérogènes fusionnés, un comparateur unique, une chaîne lourde et non ouverte. Les 55 anciens et les 19 nouveaux patients diffèrent significativement en volumes, QRS et fibrose : un décalage de distribution que le seul Quantile Transformer atténue sans le corriger vraiment (« ne constitue pas une adaptation de domaine formelle »). Le seul comparateur est un calculateur clinique nourri de moins de variables, ce qui rend la victoire attendue. Enfin, la segmentation est manuelle, l'imagerie exigée (veinographie scanner + IRM tardive) n'est pas de routine, et si les briques sont des logiciels ouverts (FEniCS, scikit-learn), le pipeline n'est pas publié et les données ne sont disponibles que « sur demande ». À noter aussi : la première autrice est une ancienne employée de XSpline S.p.A. dont le moteur de jumeau numérique est utilisé ici, et le travail est financé par la Russian Science Foundation.

Ce que ça change

Pour la communauté de recherche, l'apport est net : une manière de contraindre la prédiction de réponse à la géométrie veineuse réelle, et une preuve de faisabilité d'un jumeau numérique couplé à un classifieur explicable pour la planification pré-opératoire. La suite crédible est balisée d'avance : validation externe multicentrique, puis un essai où l'on implante réellement au site désigné par le modèle et où l'on mesure la réponse. Sans cette étape, la cartographie reste une belle image sans preuve d'utilité.

Pour les cliniciens, rien n'est déployable aujourd'hui : outil de recherche, validé en interne, non approuvé, exigeant une imagerie et une simulation hors du flux habituel. L'idée la plus immédiatement utile n'est peut-être pas de choisir un site, mais de repérer en amont les patients pour lesquels aucune position de sonde ne promet de bénéfice — ceux qu'il faudrait orienter d'emblée vers une stimulation du système de conduction. Pour les patients et le grand public, la nuance est la même que pour toute IA de planification : promesse plausible, méthode soignée, mais on parle d'un pilote sur 74 personnes, pas d'un outil validé au bloc, et le chiffre le plus marquant (« une autre position aurait marché ») décrit une simulation, pas une opération réussie.

Pour aller plus loin

Le préprint est disponible sur medRxiv (10.64898/2026.07.01.26356827). Sur d'autres modèles pronostiques en cardiologie et leur calibration, voir notre décryptage sur la prédiction du risque d'AVC ischémique et sa calibration multisite ; sur les limites d'un modèle validé seulement en interne, celui d'un random forest contre deep learning sur la pancréatite aiguë ; et sur ce que valent réellement des scores explicables par SHAP, celui d'un SVM interprété par SHAP en oncologie.

Transparence éditoriale : version française rédigée et signée par la rédaction de Tatakoto à partir de la lecture du préprint. Traductions anglaise, espagnole et chinoise produites avec assistance IA et relues.