Thèse d'exercice
Occlusions coronaires aiguës sans sus-élévation du segment ST : Prévalence et caractérisation d'une entité méconnue, facteurs prédictifs et valeur incrémentielle d'un algorithme d'intelligence artificielle
FrançaisAnglais
Travail non accessible
Contexte : L'occlusion coronaire aiguë (OCA) peut survenir lors d'un infarctus du myocarde sans élévation du segment ST. Ces « STEMI cachés » constituent une entité, mal définie dont l'identification précoce est cruciale mais difficile.
Objectif : Déterminer la prévalence du STEMI caché, caractériser les sites d'occlusion, identifier les prédicteurs cliniques indépendants des patients et évaluer la valeur diagnostique d'un algorithme d'IA dans la détection de l'OCA.
Méthodes : Nous avons mené une étude rétrospective monocentrique sur 913 patients hospitalisés pour infarctus du myocarde entre janvier 2021 et décembre 2022. Les patients ont été classés en STEMI, NSTEMI et STEMI caché (ou NSTEMI avec OCA). Des données cliniques, biologiques, ECG et échocardiographiques ont été collectées. Un algorithme d'IA a été appliqué aux données ECG pour prédire l'occlusion coronaire.
Résultats : Le STEMI caché représentait 11% de tous les infarctus du myocarde et 21% des cas de NSTEMI. L'artère circonflexe était la plus fréquemment impliquée (38%). Les prédicteurs indépendants de STEMI caché comprenaient un âge plus jeune (OR=0,977, p=0,023), l'absence d'hypertension (OR=0,493, p<0,01), ou de diabète (OR=0,442, p=0,014), la présence d'une douleur thoracique à l'admission (OR=2,21, p<0,01), des niveaux initiaux de troponine plus élevés (OR=1,05, p<0,001) et d'une dysfonction ventriculaire droite (OR=2,98, p=0,037). L'algorithme d'IA a montré une sensibilité initiale de 71,8% et une spécificité de 79,8% pour prédire l'OCA ; avec une spécificité après ajustement et élargissement de la définition d'OCA de 91,3%.
Conclusions : Les STEMI cachés représentent près d'un IDM sans sus-ST sur cinq. La persistance d'une douleur thoracique à l'admission, d'un niveau élevée de troponine et d'une dysfonction ventriculaire droite sont particulièrement prédictifs de cette entité. L'utilisation de l'algorithme d'IA Queen Of Heart a amélioré la précision diagnostique et peut aider à une détection précoce.
Background: Acute coronary occlusion (ACO) can occur in non-ST-segment elevation myocardial infarction (NSTEMI) without classic ECG presentations, termed "hidden STEMI." Early identification is crucial but challenging.
Objective: To determine the prevalence of hidden STEMI, characterize occlusion sites, identify independent clinical predictors—including chest pain at admission, troponin levels, and right ventricular dysfunction—evaluate patient outcomes, and assess the diagnostic value of an AI algorithm in detecting ACO.
Methods: We conducted a retrospective monocentric study of 913 patients hospitalized for myocardial infarction between January 2021 and December 2022. Patients were classified into STEMI, NSTEMI, and hidden STEMI (NSTEMI with ACO). Clinical, biological, ECG, and echocardiographic data were collected. An AI algorithm was applied to ECG data to predict coronary occlusion.
Results: Hidden STEMI accounted for 11% of all myocardial infarctions and 21% of NSTEMI cases. The circumflex artery was most frequently involved (38%). Independent predictors of hidden STEMI included younger age (OR=0.977, p=0.023), absence of hypertension (OR=0.493, p<0.01), absence of diabetes (OR=0.442, p=0.014), chest pain at admission (OR=2.21, p<0.01), higher initial troponin levels (OR=1.05, p<0.001), and right ventricular dysfunction (OR=2.98, p=0.037). The AI algorithm showed a sensitivity of 71.8% and specificity of 79.8% in predicting ACO and of 91,3% after adjustment.
Conclusions: Hidden STEMI is a significant subset of myocardial infarctions representing for nearly one in five patients presenting with non-ST-elevation myocardial infarction. The importance of chest pain at admission, elevated troponin levels, and right ventricular dysfunction highlights the critical role of clinical assessment in early identification. The use of AI enhances diagnostic accuracy and may aid in early detection.
Menu :
Annexe :
Université de Poitiers - 15, rue de l'Hôtel Dieu - 86034 POITIERS Cedex - France - Tél : (33) (0)5 49 45 30 00 - Fax : (33) (0)5 49 45 30 50
petille@support.univ-poitiers.fr -
Crédits et mentions légales