Détection des signes d’hypertension à l’aide de capteurs portables

Google Research présente un système d’IA utilisant les capteurs des montres intelligentes pour détecter passivement les signes d’hypertension sans calibration de manchette. Validé par rapport aux normes cliniques de référence, cet outil agrège les données PPG et de l’accéléromètre afin d’identifier les états hypertensifs persistants, offrant ainsi une méthode de dépistage évolutive pour la sensibilisation à l’hypertension artérielle.

Lecture audio non disponible dans ce navigateur
Détection des signes d’hypertension à l’aide de capteurs portables

Tags

Résumé rapide

Google Research présente un système d’IA utilisant les capteurs des montres intelligentes pour détecter passivement les signes d’hypertension sans calibration de manchette. Validé par rapport aux normes cliniques de référence, cet outil agrège les données PPG et de l’accéléromètre afin d’identifier les états hypertensifs persistants, offrant ainsi une méthode de dépistage évolutive pour la sensibilisation à l’hypertension artérielle.

Détection des signes d’hypertension à l’aide de capteurs portables

L’hypertension, souvent qualifiée de « tueuse silencieuse », affecte plus d’un milliard de personnes dans le monde. Une part importante de ces individus ignorent leur état, car la pression artérielle élevée présente rarement des symptômes évidents. Par conséquent, le diagnostic se fait généralement uniquement lors de dépistages fortuits. Ce manque de conscience est particulièrement marqué chez les jeunes adultes âgés de 18 à 44 ; les diagnostics manqués peuvent retarder des interventions précoces salvatrices et augmenter le risque à long terme d’événements cardiovasculaires néfastes tels que des accidents vasculaires cérébraux ou une insuffisance cardiaque.

Bien que la mesure de la pression artérielle en cabinet constitue l’outil principal de dépistage initial, des dispositifs portables sans manchette sont apparus ces dernières années comme des outils potentiels pour compléter les soins occasionnels en cabinet. Cependant, les solutions commerciales existantes nécessitent souvent une calibration régulière à l’aide d’une manchette traditionnelle. Cette dépendance signifie qu’elles suivent généralement des changements relatifs par rapport à une lecture de base obtenue avec une manchette, plutôt que d’identifier des états hypertensifs absolus, ce qui limite leur utilité en tant qu’outils de dépistage indépendants.

Pour remédier à ces limites, Google Research a développé un nouveau système d’intelligence artificielle multimodale capable de détecter passivement les signes d’hypertension à l’aide d’une montre intelligente grand public, sans nécessiter aucune calibration de manchette. Intitulé AI-PPG-ACC-HTN, ce système a été validé par rapport à la norme clinique d’or que représente le suivi ambulatoire de la pression artérielle sur 24 heures. Selon son éditeur, ce système atteint des niveaux de précision comparables à ceux des méthodes diagnostiques traditionnelles basées sur des manchettes, tant pour le dépistage initial que pour la confirmation du diagnostic. Ces résultats de recherche ont contribué à l’élaboration de la fonction « Tendances de la pression artérielle » dans l’application Google Health.

Comment fonctionne le système

Au lieu de tenter d’estimer des valeurs exactes de la pression artérielle systolique et diastolique à un instant donné — valeurs très sensibles aux perturbations temporaires de l’environnement — le système repense le problème. Il se concentre sur l’identification de l’état hypertensif sous-jacent et persistant d’une personne en agrégeant des signatures physiologiques passives sur plusieurs jours.

Le système exploite des données provenant de deux capteurs déjà présents sur les montres intelligentes modernes :

  • Photopletysmographie (PPG) : Un capteur optique qui suit les variations du volume sanguin au poignet en mesurant la lumière réfléchie, ce qui permet de déterminer les contours des ondes pulsées.
  • Accélérométrie (ACC) : Un capteur de mouvement qui identifie les périodes de immobilité et enregistre le ballistocardiogramme (BCG), à savoir les vibrations physiques subtiles du poignet causées par l’éjection mécanique du sang depuis le cœur vers l’aorte.

Le système d’IA utilise les signaux PPG et accélérométrique (ACC) enregistrés par une montre intelligente grand public pour créer des embeddings de forme d’onde. Ces embeddings sont agrégés au fil du temps (sur plusieurs jours) pour former un embedding au niveau de la personne. Associé à la taille de l’utilisateur, qui sert de proxy fiable pour la longueur du parcours artériel, ces données agrégées servent à prédire son état de pression artérielle.

Pour développer ce système, les chercheurs ont adopté une approche d’apprentissage automatique en deux étapes :

Étape 1 : Pr entraînement auto-supervisé (L’encodeur de forme d’onde)

L’équipe a entraîné un réseau de neurones convolutifs profonds de taille 1-D en utilisant un apprentissage contrastif auto-supervisé. En analysant un grand ensemble de données non étiqueté comprenant 492,347 heures de données de capteurs provenant de participants consentants 2,109, le modèle a appris à mapper des formes d’onde PPG et ACC d’une durée de 15 secondes, provenant de la même personne et situées proches l’une de l’autre, dans un espace latent. Ce processus a permis au modèle de découvrir des caractéristiques complexes et riches sur le plan physiologique concernant la fonction vasculaire et mécanique du cœur, sans avoir besoin d’une ingénierie de caractéristiques manuelle ni de labels médicaux.

Étape 2 : Agrégation et classification au niveau de l’individu

Pour chaque utilisateur, ces blocs de caractéristiques d’une durée de 15 secondes (embeddings) sont agrégés en moyenne sur plusieurs jours de port pour éliminer les bruits éphémères tels que des mouvements soudains ou des changements de température. Enfin, l’embedding agrégé de l’individu est combiné à sa taille et alimenté dans un classificateur de régression logistique régularisé afin de calculer un score de probabilité continue d’hypertension.

Validation rigoureuse par rapport à la norme d’or clinique

Afin d’évaluer le système, Google Research a mené une étude clinique prospective et multicentrique dans cinq sites aux États-Unis, impliquant 196 participants divers ayant donné leur consentement. Ces participants ne souffraient d’aucune maladie cardiovasculaire connue et ne prenaient pas de médicaments pour la pression artérielle.

Il est important de noter que l’étude a comparé les performances de la montre intelligente avec le suivi ambulatoire de la pression artérielle sur une période de 24 heures (ABPM), qui constitue la norme d’or clinique pour le diagnostic de l’hypertension. L’évaluation a couvert deux scénarios d’utilisation clinique distincts : le dépistage initial et les tests de confirmation.

Scénario 1 : Dépistage initial

Lors de la phase de dépistage initial, la montre intelligente a atteint une sensibilité modérée de 65.8% et une spécificité élevée de 90.0%.. Cela a donné une valeur prédictive positive élevée (VPP) de 80.6%.. En comparaison, les dépistages initiaux en cabinet présentaient une sensibilité de 55.3% et une VPP modérée de 77.8% lorsqu’ils étaient comparés à la norme d’or.

Scénario 2 : Tests de confirmation

Pour les personnes dont le dépistage initial en cabinet est positif pour une hypertension, les directives actuelles recommandent un suivi externe afin de confirmer le diagnostic. L’étude a examiné le sous-groupe de participants (N=48) présentant une pression artérielle élevée lors du dépistage initial en cabinet, afin de voir dans quelle mesure la montre intelligente pouvait confirmer l’existence d’une hypertension persistante.

Le système multimodal a atteint une sensibilité modérée de 78.4%, une spécificité élevée de 90.9% et un PPV élevé de 96.7%.. En comparaison, les résultats des mesures de la pression artérielle effectuées en cabinet ont montré des valeurs plus basses pour la sensibilité (67.6%), la spécificité (63.6%) et le PPV (86.2%). De plus, l’approche via montre intelligente s’est avérée compétitive par rapport au suivi à domicile sur plusieurs jours, qui présentait une sensibilité de 89.2%, une spécificité de 81.8% et un PPV de 94.3%..

Dans l’ensemble, ces résultats montrent que le système peut détecter l’hypertension avec des niveaux de précision comparables à ceux des dispositifs traditionnels à manchon pour la mesure de la pression artérielle, dans le cadre clinique existant.

Interprétabilité du modèle

Afin de comprendre ce à quoi le modèle d’IA prête attention, les chercheurs ont visualisé les formes d’onde pulsées moyennes des utilisateurs présentant les probabilités les plus élevées et les plus basses de développer de l’hypertension. L’analyse a révélé plusieurs indicateurs physiologiques clés :

  • Largeur de l’onde pulsée réduite : Les formes d’onde associées à un risque plus élevé d’hypertension présentaient une largeur légèrement plus faible, ce qui indique une moindre variation du volume sanguin. Cela pourrait suggérer des artères plus rigides, moins capables de se dilater.
  • Réflexion de l’onde pulsée : Des scores de risque plus élevés calculés par l’IA étaient corrélés à une montée systolique plus lente (la poussée initiale du sang) et à un rapport d/a plus bas. Cette métrique compare l’onde pulsée se déplaçant vers l’avant au signal réfléchi provenant du réseau vasculaire du corps.
  • Vibrations mécaniques du cœur : L’accéléromètre de la montre intelligente a réussi à capter le signal du ballistocardiogramme (BCG). Chez les utilisateurs pour qui l’hypertension était fortement prévue, les chercheurs ont observé des modulations physiques distinctes dans ces micro-vibrations, notamment des « ondes K » plus profondes et des complexes « IJK » plus larges.

Perspectives et limites

Le dépistage de l’hypertension à l’aide de montres intelligentes ne vise pas à remplacer les manchons cliniques standards ni à fournir un diagnostic médical définitif et indépendant. Au contraire, cette recherche souligne le potentiel d’un outil passif, hautement scalable, pour un dépistage opportuniste.

Ce travail représente une étude préliminaire de faisabilité ; les méthodologies décrites ici sont purement exploratoires et ne reflètent en aucun cas les fonctionnalités d’un produit commercial existant ou futur ni les capacités d’un appareil. En incitant doucement les personnes à risque à se rendre dans une clinique pour un examen formel, cette technologie a le potentiel de combler considérablement l’écart de conscience mondiale et de détecter l’hypertension avant qu’elle ne provoque des dommages cardiovasculaires permanents.

La recherche a été menée en collaboration entre Google Research, le Beth Israel Deaconess Medical Center et la Harvard Medical School.

Source :

  • Détection des signes d’hypertension à l’aide de capteurs portables — Google Research — https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors

Sources