Les modèles d’intelligence artificielle peuvent améliorer la prédiction du risque cardiovasculaire. Mais une meilleure performance statistique ne signifie pas nécessairement une meilleure décision clinique et encore moins, à elle seule, une trajectoire de santé modifiée.
L’intelligence artificielle promet depuis plusieurs années de transformer la prédiction du risque cardiovasculaire.
L’argument paraît intuitif. Là où des scores comme SCORE2 ou QRISK3 reposent sur un nombre limité de variables et sur des modèles statistiques relativement classiques, le machine learning peut analyser simultanément davantage d’informations, détecter des relations non linéaires et exploiter des données longitudinales ou multimodales.
Les performances publiées sont parfois élevées et plusieurs travaux récents montrent que certains modèles de machine learning peuvent améliorer la discrimination ou la calibration par rapport à des approches conventionnelles.
Mais à mesure que les travaux se multiplient, une question devient plus importante que celle de savoir quel algorithme obtient la meilleure AUC : une meilleure prédiction permet-elle réellement de mieux prévenir les événements cardiovasculaires ?
La réponse nécessite de distinguer plusieurs niveaux souvent confondus : performance statistique, classification du risque, décision clinique et résultat de santé.
L’IA peut améliorer la prédiction cardiovasculaire
Les données disponibles montrent que l’intelligence artificielle peut apporter un gain à la prédiction cardiovasculaire.
Une revue systématique et méta-analyse consacrée aux modèles de machine learning utilisant les dossiers électroniques de santé a identifié 32 modèles de machine learning et 26 modèles statistiques conventionnels dans 20 études. Certains modèles, notamment de type random forest ou deep learning, obtenaient des AUC élevées. Mais l’hétérogénéité entre les études était importante et les auteurs relevaient plusieurs limites méthodologiques susceptibles de freiner leur transposition clinique (Liu et al., 2025).
Une autre revue systématique publiée dans BMC Medicine a identifié 79 articles décrivant 486 modèles d’intelligence artificielle destinés à prédire le risque cardiovasculaire. Les modèles utilisaient entre 5 et 52 000 prédicteurs, avec une médiane de 21, sur des échantillons allant de 80 à plus de 3,6 millions de personnes. Selon les critères retenus par les auteurs, aucun des modèles identifiés n’avait fait l’objet d’une validation externe indépendante et tous étaient considérés à haut risque de biais selon l’outil PROBAST (Cai et al., 2024).
Obtenir une excellente performance dans les données utilisées pour développer un modèle et démontrer qu’il prédit correctement le risque chez de nouveaux patients sont donc deux problèmes différents.
L’enjeu n’est donc plus seulement de savoir si le machine learning peut apprendre des relations complexes. Il le peut. Il faut également déterminer si ces relations restent suffisamment robustes lorsqu’elles sont appliquées à d’autres populations, dans d’autres systèmes de soins et dans des conditions réelles d’utilisation.
À données comparables, les gains existent mais leur importance clinique reste à déterminer
Une étude publiée en 2026 permet d’observer ce qui se passe lorsque plusieurs méthodes sont évaluées à grande échelle sur des données de soins primaires.
Les chercheurs ont utilisé le Clinical Practice Research Datalink britannique pour développer différents modèles de survie par machine learning destinés à prédire le risque cardiovasculaire à dix ans. L’analyse principale portait sur 469 496 patients âgés de 40 à 85 ans et comportait également une validation spatiale. Les variables utilisées étaient largement fondées sur celles de QRISK3, auxquelles étaient ajoutées certaines informations issues des dossiers de santé (Liu et al., 2026).
Le modèle Random Survival Forest obtenait les meilleures performances parmi les modèles de machine learning étudiés, avec une AUROC de 0,738 chez les hommes et de 0,778 chez les femmes. Les auteurs rapportaient également de meilleures performances de discrimination et de calibration pour les modèles de machine learning par rapport aux modèles de Cox développés dans l’étude.
Résultat : l’IA peut apporter un gain prédictif mesurable, y compris lorsqu’elle travaille à partir d’informations proches de celles utilisées par les approches conventionnelles.
Mais une amélioration de la performance prédictive ne constitue pas, à elle seule, une preuve d’amélioration de la prévention.
La question suivante devient alors essentielle : cette information supplémentaire modifie-t-elle suffisamment l’évaluation du risque pour conduire à une décision différente et pertinente pour le patient ?
Delphi-2M : prédire non plus une maladie, mais une trajectoire
La publication de Delphi-2M dans Nature en 2025 a donné une autre dimension à cette question.
Le modèle reprend une architecture inspirée des modèles génératifs de langage pour apprendre la progression et les relations temporelles entre les maladies à partir des antécédents de santé. Il a été entraîné sur les données d’environ 400 000 participants de la UK Biobank, puis validé extérieurement sur les données d’environ 1,9 million de personnes au Danemark, sans réentraînement du modèle (Shmatko et al., 2025).
Sa particularité est considérable : Delphi-2M ne cherche pas à prédire une seule pathologie. Il estime les taux de survenue de plus de 1 000 maladies en tenant compte de l’histoire de santé de chaque personne et peut générer des trajectoires futures de santé.
Pour de nombreuses pathologies, ses performances sont comparables à celles de modèles spécifiquement développés pour une seule maladie. Sa capacité générative permet également d’estimer des trajectoires à long terme et des charges futures de maladie (Shmatko et al., 2025).
Cette approche déplace la question.
Un modèle capable de représenter simultanément les relations temporelles entre de nombreuses maladies peut présenter une valeur scientifique et potentiellement clinique même s’il ne surclasse pas systématiquement un score spécialisé sur chaque tâche prédictive.
La valeur d’un modèle ne se résume donc pas nécessairement à sa position dans un classement d’AUC.
Delphi-2M montre surtout la possibilité de passer d’une logique de prédiction isolée d’une maladie à une représentation plus longitudinale de l’état de santé. Mais les relations apprises à partir de données observationnelles ne doivent pas être interprétées comme la démonstration de mécanismes causaux permettant de modifier la trajectoire future.
Prédire une trajectoire n’est pas encore identifier l’intervention capable de la modifier.
Une meilleure AUC ne signifie pas nécessairement une meilleure prévention
L’AUC mesure la capacité d’un modèle à distinguer les personnes qui présenteront un événement de celles qui n’en présenteront pas.
C’est important, mais insuffisant pour établir son utilité clinique.
Un modèle peut avoir une meilleure discrimination tout en produisant des probabilités de risque imparfaitement calibrées. À l’inverse, deux modèles ayant des AUC proches peuvent conduire à des estimations de risque différentes autour d’un seuil susceptible de déclencher une intervention.
Il faut donc distinguer plusieurs niveaux.
La discrimination : le modèle distingue-t-il correctement les personnes selon leur niveau de risque ?
La calibration : les probabilités prédites correspondent-elles suffisamment aux risques réellement observés ?
L’utilité clinique : l’utilisation du modèle conduit-elle à des décisions plus pertinentes, notamment autour des seuils qui déterminent une intervention ?
L’impact clinique : ces décisions permettent-elles effectivement d’améliorer les résultats de santé, sans générer des effets indésirables ou une utilisation disproportionnée des ressources ?
Un gain de discrimination ne garantit donc pas une reclassification cliniquement utile. Et une reclassification pertinente ne démontre pas encore que la décision qui en résulte améliorera la santé.
On peut ainsi représenter une chaîne de valeur beaucoup plus exigeante :
mieux prédire → mieux classer → décider différemment → intervenir efficacement → améliorer les résultats de santé.
Chaque flèche constitue une hypothèse supplémentaire à démontrer.
Les essais randomisés commencent à apporter une réponse
C’est probablement l’évolution la plus importante de la littérature récente.
Une revue systématique publiée en 2025 avait identifié 11 essais randomisés évaluant des applications d’intelligence artificielle en cardiologie. Certains rapportaient des bénéfices concernant la détection, les événements cliniques ou l’utilisation des ressources, mais les auteurs soulignaient encore le nombre limité d’essais disponibles (Barzilai et al., 2025).
Une revue systématique et méta-analyse publiée en 2026 dans eClinicalMedicine permet désormais d’aller plus loin.
Elle a identifié 31 essais randomisés représentant environ 1,69 million de patients. Parmi eux, 11 ont pu être inclus dans les méta-analyses. Vingt-deux essais sur 31 rapportaient un bénéfice statistiquement significatif sur leur critère principal, même si ces bénéfices concernaient souvent des processus de soins ou des critères intermédiaires plutôt que des événements cliniques majeurs (Ong et al., 2026).
Certaines applications montrent néanmoins des résultats cliniquement intéressants. Dans les essais portant sur des systèmes d’aide à la décision fondés sur l’imagerie, l’utilisation de l’IA était associée à une réduction des événements cardiovasculaires majeurs, avec un risque relatif agrégé de 0,74 (IC à 95 % : 0,58–0,96). D’autres interventions ont montré des effets sur des facteurs intermédiaires, notamment la pression artérielle systolique.
La prudence reste nécessaire. La majorité des essais avaient un suivi inférieur à douze mois et la certitude des preuves était jugée faible à très faible pour les différents critères évalués. Les auteurs soulignent également l’hétérogénéité des applications étudiées et les limites de généralisation des résultats (Ong et al., 2026).
Le constat a donc évolué.
Nous ne sommes plus au stade où les bénéfices cliniques de l’IA cardiovasculaire seraient seulement hypothétiques.
Certaines applications commencent à produire des résultats pertinents dans des essais randomisés.
Mais ces résultats ne permettent pas de conclure qu’une amélioration de la performance prédictive se traduit, de manière générale, par une meilleure prévention cardiovasculaire. Les systèmes évalués, leurs fonctions et leurs contextes d’utilisation sont trop différents pour établir une telle relation.
Le potentiel de l’IA pourrait se situer là où elle apporte réellement une information nouvelle
Cette distinction permet aussi de mieux identifier les situations dans lesquelles l’intelligence artificielle pourrait apporter le plus de valeur.
Reproduire un score traditionnel avec un algorithme beaucoup plus complexe à partir de variables similaires présente un intérêt limité si le gain de performance reste faible ou si son impact sur les décisions n’est pas démontré.
L’intérêt potentiel devient différent lorsque l’IA permet d’exploiter des informations difficilement accessibles aux modèles conventionnels : données longitudinales issues des dossiers de santé, signaux physiologiques, ECG, imagerie, biomarqueurs ou informations provenant de dispositifs connectés.
Il ne s’agit alors plus seulement de traiter différemment les mêmes variables, mais potentiellement d’extraire une information jusque-là difficile à intégrer dans la décision.
« L’IA peut-elle extraire davantage d’information ? » n’est donc pas la question essentielle. Il s’agirait plutôt : « l’information supplémentaire extraite est-elle suffisamment robuste, pertinente et actionnable pour modifier utilement la prise en charge ? ».
Cette distinction est fondamentale, car toutes les applications regroupées sous le terme d’intelligence artificielle ne répondent pas au même besoin. Interpréter une image, détecter une anomalie sur un ECG, calculer un risque à dix ans ou modéliser une trajectoire de santé sont des tâches différentes, dont la valeur doit être évaluée avec des critères adaptés.
Et les comportements santé ?
La distinction entre prédiction et intervention devient particulièrement importante lorsqu’on passe du risque cardiovasculaire aux facteurs qui contribuent à sa trajectoire.
Tabagisme, activité physique, alimentation, sommeil ou adhésion aux traitements font partie des facteurs modifiables susceptibles d’intervenir dans le risque cardiovasculaire.
Un modèle peut identifier plus précisément une personne dont le risque est élevé et, dans certaines applications, détecter plus précocement certaines évolutions.
Mais cette capacité ne répond pas automatiquement à une autre question : quelle intervention permettra à cette personne de modifier durablement les facteurs comportementaux qui contribuent à sa trajectoire de risque ?
Il s’agit de deux problèmes scientifiques différents. Le premier consiste à prédire. Le second consiste à produire un changement.
Identifier un risque n’identifie pas nécessairement les mécanismes qui entretiennent un comportement ni l’intervention qui permettra de le modifier.
C’est également une distinction importante lorsqu’on envisage d’utiliser l’intelligence artificielle pour personnaliser des interventions comportementales : mieux identifier les personnes susceptibles de rencontrer une difficulté ne démontre pas que l’intervention proposée agira sur ce qui produit ou maintient cette difficulté.
La performance prédictive et la capacité à modifier une trajectoire restent donc deux questions distinctes.
De la prédiction du risque à la modification de la trajectoire
« Dans quelles situations l’information supplémentaire produite par l’IA modifie-t-elle suffisamment la décision ou l’intervention pour améliorer réellement la trajectoire de santé ? » devient donc plus important que « le machine learning prédit-il mieux que SCORE2 ou QRISK3 ? ».
Cette question oblige à regarder au-delà de l’AUC : calibration, utilité décisionnelle, décisions thérapeutiques, comportements, événements cardiovasculaires, effets indésirables, équité entre populations, coûts et ressources nécessaires.
Elle oblige également à distinguer les usages.
Dans certains domaines, des essais randomisés commencent à montrer des bénéfices cliniques. Dans d’autres, les preuves restent principalement prédictives ou diagnostiques.
Il serait donc excessif de conclure que l’IA n’améliore pas la prévention cardiovasculaire. Mais il serait tout aussi excessif de considérer qu’une meilleure performance prédictive suffit à démontrer son efficacité.
L’intelligence artificielle pourrait apporter une contribution importante : exploiter des signaux auparavant difficiles à combiner, repérer certaines évolutions plus tôt, mieux caractériser l’hétérogénéité du risque et construire une vision plus longitudinale de la santé.
Mais la sophistication du modèle ne constitue pas le résultat final.
En prévention, la valeur d’une meilleure prédiction ne peut donc pas être appréciée sur sa seule performance statistique. Elle dépend aussi de sa capacité à améliorer la stratification du risque, à éclairer une décision ou à déclencher une intervention pertinente et, in fine, des résultats obtenus pour les patients.
C’est probablement là que se situe aujourd’hui la véritable frontière de l’IA cardiovasculaire : non plus seulement apprendre à mieux prédire, mais démontrer quand, pour qui et par quel mécanisme une meilleure prédiction produit effectivement un meilleur résultat de santé ?
Références
Barzilai, D. H., Sudri, K., Goshen, G., Klang, E., Zimlichman, E., Barbash, I., & Cohen Shelly, M. (2025). Randomized controlled trials evaluating artificial intelligence in cardiovascular care: A systematic review. JACC: Advances, 4(11), 102152. https://doi.org/10.1016/j.jacadv.2025.102152
Cai, Y., Cai, Y.-Q., Tang, L.-Y., Wang, Y.-H., Gong, M., Jing, T.-C., Li, H.-J., et al. (2024). Artificial intelligence in the risk prediction models of cardiovascular disease and development of an independent validation screening tool: A systematic review. BMC Medicine, 22, 56. https://doi.org/10.1186/s12916-024-03273-7
Liu, T., Krentz, A. J., Lu, L., & Ćurčin, V. (2025). Machine learning based prediction models for cardiovascular disease risk using electronic health records data: Systematic review and meta-analysis. European Heart Journal – Digital Health, 6(1), 7–22. https://doi.org/10.1093/ehjdh/ztae080
Liu, T., Krentz, A. J., Lu, L., Wang, Y., & Ćurčin, V. (2026). Benchmarking survival machine learning models for 10-year cardiovascular disease risk prediction using large-scale electronic health records. Digital Health, 12, 20552076251408534. https://doi.org/10.1177/20552076251408534
Ong, A. Q. C., Ang, C.-S., Bojic, I., Johnson, C. L., Aggour, H., Ng, F. S., Car, J., Leeson, P., Gonçalves, J., & Lai, N. M. (2026). Artificial intelligence in cardiovascular care: A systematic review and meta-analysis of randomised controlled trials. eClinicalMedicine, 98, 104123. https://doi.org/10.1016/j.eclinm.2026.104123
Shmatko, A., Jung, A. W., Gaurav, K., Brunak, S., Mortensen, L. H., Birney, E., Fitzgerald, T., & Gerstung, M. (2025). Learning the natural history of human disease with generative transformers. Nature, 647, 248–256. https://doi.org/10.1038/s41586-025-09529-3
