Réalités Cardiologiques

Et s’il n’existait pas qu’une seule façon de mourir ? Réduire la mortalité de nos patients en augmentant leur espérance de vie est probablement l’ultime objectif en recherche clinique. En effet, la mortalité s’est imposée en cardiologie comme l’un des critères de jugement de référence pour les études thérapeutiques et observationnelles pronostiques. Ainsi, dans le cadre d’une étude thérapeutique, réduire la récidive d’infarctus du myocarde ou d’hospitalisation pour décompensation cardiaque c’est bien, mais réduire la mortalité toute cause ou la mortalité de cause cardiovasculaire, c’est encore mieux. Cependant, la définition de la mortalité en recherche clinique peut varier en fonction de la méthodologie de l’étude, avec des conséquences parfois importantes.
Ainsi, l’objectif de cet article vise à présenter les points clés permettant d’évaluer la robustesse de la définition de la mortalité dans une publication. Ensuite, nous détaillerons les avantages et inconvénients à choisir un critère de type mortalité spécifique ou mortalité toute cause.

La recherche est-elle déconnectée des problématiques cliniques quotidiennes que nous rencontrons dans notre pratique ?
Incontestablement, la façon la plus rationnelle de répondre à cette question consiste à évaluer “la validité externe” de l’article que vous étudiez. En effet, elle correspond au degré de généralisabilité des résultats d’une étude à la pratique quotidienne.
Tout l’intérêt de cette évaluation est qu’elle répond à une grille relativement standardisée décrite dans les recommandations de lecture critique d’article. L’objectif de cet article vise à présenter les points clés de cette évaluation.

L’intelligence artificielle (IA) bouleverse particulièrement le monde de la cardiologie ces dernières années. En effet, l’IA permet le développement d’algorithmes pour l’analyse d’ECG, d’images d’échocardiographie ou d’IRM cardiovasculaire.
Au-delà de nous permettre d’interpréter ces données techniques, l’IA est également utile pour l’analyse statistique de grandes bases de données comportant plusieurs milliers de patients avec des dizaines de paramètres mesurés : la fameuse “gestion des big data”.
Ces toutes dernières années, de nombreuses études cardiologiques ont été publiées à très haut niveau, utilisant ce type d’outil d’IA et permettant de mieux classer les patients en fonction de la meilleure analyse possible des données disponibles.
Le clustering est incontestablement l’entité la plus fréquemment rencontrée avec ce type d’outil. Ainsi, dans cet article nous présenterons, de façon simple, les grands principes du clustering dans le but de nous permettre d’analyser les résultats d’une étude utilisant ce type de méthode.