Insuffisance cardiaque : l’IA pour mieux comprendre les patients et personnaliser les traitements ?

Luca Monzo, Nicolas Girerd

Et si l’intelligence artificielle nous aidait à mieux comprendre pourquoi des patients insuffisants cardiaques évoluent et répondent différemment aux traitements ? En explorant la diversité des profils, le clustering ouvre des pistes pour une recherche davantage tournée vers la personnalisation des soins. Le Cercle Cardio-IA de la SFC vous propose d’en découvrir les principes, les premiers résultats et les défis qui conditionnent leur utilisation au quotidien.

L’insuffisance cardiaque est, par définition, un syndrome : derrière une même présentation clinique se cachent des mécanismes physiopathologiques, des trajectoires et des pronostics très différents. Identifier des groupes de patients partageant des caractéristiques communes constitue donc un enjeu majeur pour mieux comprendre cette hétérogénéité.

Le clustering est une famille de méthodes de machine learning non supervisé, qui vise précisément à identifier des groupes relativement homogènes sans définir à l’avance les catégories recherchées. Ces méthodes sont diverses, certaines reposant sur des mesures de distance entre individus, d’autres sur des modèles statistiques plus complexes.

Dans un article publié dans l’European Journal of Heart Failure, nous avons proposé un cadre méthodologique (framework) pour intégrer ces approches dans la recherche cardiovasculaire et faciliter leur traduction clinique [1]. Comme l’illustre la Figure 1, identifier des groupes n’est que la première étape d’un processus allant de leur caractérisation à leur validation, puis à leur éventuelle utilisation en pratique.

Figure 1. Processus complet de stratification non supervisée des patients en médecine cardiovasculaire, depuis l’identification des clusters jusqu’à leur validation et leur intégration clinique. Reproduit de Bresso et al. [1], sous licence CC BY 4.0.

Notre équipe a montré, dans différents contextes, notamment dans l’insuffisance cardiaque aiguë et l’insuffisance cardiaque d’origine ischémique, que le clustering permet d’identifier des groupes de patients associés à des pronostics distincts [2,3].

Mais l’ambition du clustering va bien au-delà de la stratification pronostique. Son pari fondamental est qu’en identifiant des groupes de patients suffisamment homogènes et biologiquement cohérents, on pourrait découvrir des sous-entités d’un même syndrome, présentant non seulement des pronostics différents, mais potentiellement aussi des réponses différentes aux traitements.

C’est une approche conceptuellement différente des méthodes de machine learning supervisé, qui cherchent directement à prédire un diagnostic [4], un événement clinique ou l’hétérogénéité du bénéfice thérapeutique [5]. Ces approches sont néanmoins complémentaires : le clustering cherche d’abord à comprendre l’hétérogénéité des patients, sans utiliser leur devenir clinique pour constituer les groupes.

Le premier obstacle est très pratique : identifier l’appartenance d’un patient à un cluster nécessite souvent de nombreuses données cliniques, biologiques ou échographiques. Demander au clinicien de saisir manuellement toutes ces informations dans un outil supplémentaire paraît difficilement envisageable au quotidien.

La solution passe probablement par une intégration directe aux dossiers patients informatisés, avec extraction automatique des données et attribution du cluster. Mais cela soulève des difficultés considérables : interopérabilité des systèmes hospitaliers, développement informatique et contraintes réglementaires, notamment celles des logiciels dispositifs médicaux lorsqu’ils participent aux décisions cliniques.

Le deuxième obstacle est celui de la validation. Entre la découverte de clusters dans une cohorte et leur utilisation pour guider les soins, il faut démontrer leur reproductibilité, leur utilité clinique et, idéalement, leur impact dans des essais prospectifs. Ce processus est long, complexe et coûteux.

Enfin, les équipes qui développent les algorithmes en recherche ne sont pas nécessairement celles qui disposent des compétences et des moyens pour en faire des outils cliniques utilisables. Le défi est donc autant technologique et organisationnel que scientifique. Sans cette dernière étape de développement et de validation, même les clusters les plus prometteurs risquent de rester confinés aux publications scientifiques.

Au-delà de l’insuffisance cardiaque, ces travaux ouvrent une question plus large : comment faire des profils révélés par l’intelligence artificielle un véritable outil de personnalisation des soins ?

• [1] Bresso E, Lacomblez C, Duarte K, Monzo L, Baudry G, Tromp J, et al. Unsupervised machine learning for cardiovascular disease. Eur J Heart Fail. 2025.
• [2] Rastogi T, Hutin O, ter Maaten JM, Baudry G, Monzo L, Bresso E, et al. Identifying congestion phenotypes using unsupervised machine learning in acute heart failure. Eur Heart J Digit Health. 2025.
• [3] Monzo L, Bresso E, Dickstein K, Pitt B, Cleland JGF, Anker SD, et al. Machine learning approach to identify phenotypes in patients with ischaemic heart failure with reduced ejection fraction. Eur J Heart Fail. 2025.
• [4] Monzo L, Huttin O, Bresso E, Duarte K, Linde C, Lund LH, et al. Comparative diagnostic performance of machine learning models and traditional scores for HFpEF in older adults. Eur J Heart Fail. 2026.
• [5] Kobayashi M, Duarte K, Ferreira JP, Baudry G, Monzo L, McMurray JJV, et al. An individual treatment effect approach to predict response to mineralocorticoid receptor antagonists in patients with heart failure and reduced ejection fraction. Eur J Heart Fail. 2025.