Bien que l’intelligence artificielle (IA) soit de plus en plus utilisée, son intégration clinique dans les soins vasculaires reste un défi. Pour atteindre les objectifs de VasculAI, il est essentiel que les modèles d’IA soient non seulement performants, mais aussi fiables, reproductibles et transparents, afin qu’ils puissent réellement aider à la prise de décisions cliniques.
Les recherches menées à l’université de Gand (UGent) sur les Structuring Whitened Embeddings (SWE) y contribuent en développant des représentations à la fois robustes et interprétables. Nous contribuons ainsi à réduire le fossé entre la recherche fondamentale en IA et la mise en œuvre pratique de la surveillance des maladies cardiovasculaires basée sur l’IA. La force du SWE réside dans l’ajout de contexte aux réseaux neuronaux profonds. Au lieu de considérer un électrocardiogramme comme une mesure isolée, nous relions entre elles différentes observations successives, ce qui donne une image plus complète de l’évolution d’un patient. Étant donné que les maladies cardiaques ne suivent pas un parcours uniforme, il est essentiel de modéliser avec précision la dynamique unique de chaque patient. SWE permet de modéliser de manière réaliste les évolutions cardiologiques à l’échelle globale, tout en laissant la possibilité de mettre en évidence les changements individuels subtils et d’affiner ainsi les pronostics.
Cette approche ouvre non seulement la voie à des analyses plus précises, mais aussi à des représentations visuelles des parcours des patients qui rendent les informations complexes accessibles aux prestataires de soins. Elle permet non seulement de prédire les risques, mais aussi de comprendre les raisons qui sous-tendent ces prédictions, ce qui renforce la confiance des prestataires de soins. Les résultats de cette étude ont récemment été publiés dans un article en libre accès dans la revue IEEE Access [1].
[1]. K. Fonteyn, L. Bontinck, T. Dhaene, and D. Deschrijver, “Augmentation-free longitudinal modeling through structuring whitened embeddings,” IEEE ACCESS, vol. 13, pp. 159950–159960, 2025.
