Mort subite : l’IA et le dépistage ouvrent de nouvelles pistes de prévention

La mort subite frappe par son caractère brutal. Elle peut toucher des personnes dont aucune maladie grave n’avait été identifiée, tout en survenant aussi chez des patients déjà suivis pour un problème cardiovasculaire. Selon les chiffres cités, elle représenterait près de 40 000 décès chaque année en France et environ cinq millions dans le monde. Face à cet enjeu, la recherche explore plusieurs leviers : mieux lire l’activité électrique du cœur, repérer les prédispositions familiales et intervenir plus vite lorsqu’un arrêt cardiaque survient.

L’intelligence artificielle suscite un intérêt croissant dans cette stratégie. En traitant des volumes considérables d’électrocardiogrammes et de données de santé, elle pourrait aider les soignants à détecter des signaux faibles, à mieux classer les risques et à adapter la surveillance. Cette perspective ne dispense ni du diagnostic médical ni des gestes de premiers secours. Elle ouvre en revanche une voie supplémentaire pour passer d’une réaction à l’urgence à une prévention plus ciblée.

Mort subite et arrêt cardiaque : de quoi parle-t-on ?

Dans le langage courant, l’expression « mort subite » désigne un décès inattendu, souvent associé à un événement cardiaque. L’arrêt cardiaque correspond, lui, à l’arrêt brutal de la circulation sanguine efficace, généralement parce que le cœur ne pompe plus correctement. Sans prise en charge immédiate, cet arrêt peut entraîner un décès.

Ces notions sont proches mais ne recouvrent pas exactement les mêmes réalités dans tous les travaux médicaux et statistiques. Les définitions, les délais retenus et les causes étudiées peuvent varier selon les registres. C’est un point important pour interpréter les chiffres, comparer les études et évaluer les progrès de la prévention.

L’un des défis vient de la diversité des mécanismes en cause. Certaines personnes présentent une maladie cardiaque connue, un trouble du rythme, une hypertension artérielle ou une prédisposition héréditaire. Chez d’autres, le risque est moins apparent. L’objectif des recherches n’est donc pas de promettre une prédiction certaine pour chaque individu, mais d’identifier plus tôt des profils pour lesquels un examen, un suivi ou une prise en charge renforcée serait pertinent.

Comment l’IA peut-elle lire autrement un électrocardiogramme ?

Un électrocardiogramme enregistre les signaux électriques produits par le cœur. Sa lecture fait partie de la pratique des professionnels de santé, qui recherchent notamment des anomalies de rythme ou de conduction. Mais les données produites par un ECG sont riches, et certains indices peuvent être discrets, variables dans le temps ou difficiles à relier entre eux à l’œil nu.

C’est là qu’interviennent les méthodes d’apprentissage automatique. Elles sont entraînées à reconnaître des motifs dans de nombreuses données déjà collectées. Dans les travaux évoqués, les outils d’IA ont analysé des millions d’heures d’électrocardiogrammes provenant de plus de 240 000 patients, dans plusieurs pays. Leur ambition est d’identifier dans les tracés électriques des signaux associés à un risque d’arrêt cardiaque ou d’anomalie susceptible de le favoriser.

Le terme « intelligence artificielle » peut laisser imaginer une machine qui remplacerait le cardiologue. Ce n’est pas l’enjeu. Dans ce contexte, l’algorithme agit plutôt comme un outil d’aide : il peut trier, comparer, signaler un profil inhabituel ou attribuer un niveau de risque à partir des données qu’il a apprises à analyser. La décision clinique reste liée au contexte complet du patient : symptômes éventuels, examens, âge, traitements, antécédents et histoire familiale.

Cette capacité à traiter beaucoup d’informations pourrait être utile dans plusieurs situations : prioriser les dossiers nécessitant un examen approfondi, repérer des personnes pour lesquelles une surveillance est justifiée ou soutenir la recherche sur les anomalies du rythme. Elle peut aussi contribuer à rendre l’analyse plus homogène lorsque les volumes d’examens deviennent très importants.

Mais une performance obtenue sur des données de recherche ne garantit pas automatiquement une utilité identique dans tous les cabinets, services d’urgence ou hôpitaux. Les données utilisées, les populations concernées, la qualité des ECG et l’organisation des soins comptent. Une alerte algorithmique doit donc être confrontée à une expertise médicale avant toute décision.

La génétique peut-elle identifier les personnes les plus exposées ?

La recherche s’intéresse aussi aux facteurs génétiques associés à certaines maladies cardiaques et à certains troubles du rythme. Lorsqu’un décès soudain ou une pathologie cardiovasculaire semble se répéter dans une famille, cette information peut orienter les médecins vers une évaluation plus poussée. Les antécédents familiaux constituent ainsi un élément important du dialogue avec le cardiologue.

Les tests génétiques et les analyses sanguines sont envisagés comme des outils capables d’affiner l’identification de certains risques. L’idée est de détecter des particularités biologiques ou héréditaires susceptibles d’être liées à des maladies cardiaques. Ces approches peuvent ouvrir un nouvel horizon pour les personnes concernées et, le cas échéant, leurs proches.

Il faut toutefois distinguer une piste de recherche, un examen ciblé et un dépistage généralisé. Un résultat génétique ne se résume pas toujours à une réponse simple. Il doit être interprété dans l’histoire clinique, familiale et médicale d’une personne. À l’inverse, l’absence d’anomalie identifiée ne signifie pas qu’aucun risque cardiovasculaire n’existe. C’est pourquoi ces démarches appellent un accompagnement médical et, lorsque nécessaire, un conseil génétique adapté.

Des données de santé pour passer d’une prévention générale à une prévention ciblée

Les données de santé sont une autre pièce du puzzle. Les projets décrits reposent sur des modèles de machine learning qui combinent des registres de mort subite avec des informations issues de la Sécurité sociale. L’objectif est d’estimer le risque à un niveau individuel afin de mieux cibler les actions de prévention.

Sur le papier, cette approche peut améliorer l’allocation des ressources médicales. Plutôt que d’appliquer la même intensité de dépistage à tout le monde, il deviendrait possible de repérer les situations dans lesquelles un suivi renforcé mérite d’être discuté. Une personne signalée par un modèle ne serait pas automatiquement considérée comme malade : elle pourrait être orientée vers une évaluation complémentaire.

Cette médecine fondée sur les données soulève cependant plusieurs exigences. Les informations utilisées doivent être suffisamment fiables, pertinentes et représentatives. Un modèle peut reproduire les limites des données sur lesquelles il a été entraîné. Il faut également encadrer strictement l’accès aux données personnelles, leur sécurité et les conditions dans lesquelles une recommandation algorithmique est présentée à un patient ou à un soignant.

La transparence est tout aussi importante. Les professionnels doivent savoir ce que mesure un outil, à quelles personnes il s’applique et quelles sont ses limites. Pour les patients, l’enjeu est de comprendre qu’un score de risque n’est ni une certitude ni un diagnostic définitif. C’est une information parmi d’autres, qui doit servir à éclairer une décision médicale.

Pourquoi les gestes de secours restent indispensables

La prévention ne se limite pas au dépistage. Lorsqu’un arrêt cardiaque apparent se produit, chaque minute compte. Or, selon les données citées, environ 80 % des arrêts cardiaques surviennent hors des établissements de santé. Le premier témoin est donc souvent un proche, un passant, un collègue ou un membre de la famille.

Dans cette situation, il faut appeler immédiatement les services d’urgence et suivre leurs instructions. Si la personne ne répond pas et ne respire pas normalement, commencer une réanimation cardio-pulmonaire lorsque cela est possible peut contribuer à maintenir une circulation minimale en attendant les secours. L’utilisation d’un défibrillateur automatisé externe, lorsqu’un appareil est disponible, fait également partie de cette réponse rapide : l’appareil guide l’utilisateur et analyse le rythme cardiaque avant de déterminer si un choc est indiqué.

La formation du grand public aux premiers secours est donc un levier aussi concret que les technologies de pointe. Elle ne prédit pas l’événement, mais elle améliore les capacités de réaction lorsque celui-ci survient. Former davantage de citoyens, rendre les défibrillateurs visibles et accessibles, et entretenir les compétences des professionnels sont des dimensions essentielles d’une stratégie globale.

Une coopération nécessaire entre médecine, recherche et technologie

La lutte contre la mort subite mobilise des compétences différentes. Les cardiologues apportent leur connaissance des maladies du cœur et des décisions thérapeutiques. Les chercheurs en IA construisent et évaluent les modèles d’analyse. Les épidémiologistes étudient les tendances, les populations concernées et l’impact réel des actions de prévention. Les institutions publiques et les acteurs privés peuvent, eux, contribuer à organiser les données, les études et le déploiement de solutions utiles.

Cette coopération doit s’inscrire dans la durée. Un modèle prédictif doit être régulièrement évalué, notamment lorsqu’il est appliqué à de nouveaux patients ou dans un environnement de soins différent de celui où il a été développé. Les résultats doivent aussi être comparés aux pratiques existantes : l’outil apporte-t-il une information supplémentaire ? Améliore-t-il effectivement la prise en charge ? Évite-t-il des examens inutiles ou, au contraire, des erreurs de classement ?

L’enjeu n’est pas seulement technique. Il porte sur l’organisation du parcours de soins. Identifier un risque potentiel n’a de sens que si une consultation, un examen complémentaire ou un suivi peut ensuite être proposé dans des délais adaptés.

Ce qu’il faut surveiller pour une prévention réellement utile

Les pistes ouvertes par l’IA, les ECG à grande échelle, la génétique et les bases de données donnent des raisons d’espérer une prévention plus précise. Elles pourraient aider à révéler des risques jusqu’ici mal détectés, notamment chez des personnes qui ne présentent pas de signe évident. Elles ne doivent néanmoins pas être confondues avec une promesse d’éradication immédiate de tous les décès évitables.

Les prochaines étapes consisteront à démontrer l’utilité clinique de ces outils dans des conditions réelles, à définir pour quels patients ils sont les plus pertinents et à assurer leur déploiement équitable. Il faudra aussi vérifier que la protection des données et l’explication des résultats restent à la hauteur d’informations aussi sensibles.

La prévention de la mort subite repose ainsi sur une chaîne entière : connaissance des antécédents, suivi médical lorsque le risque le justifie, innovations validées, accès aux soins et réaction citoyenne face à une urgence. L’intelligence artificielle peut renforcer cette chaîne, à condition de rester un outil au service d’une médecine attentive aux personnes, à leurs données et à leurs parcours de vie.