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.

Principe du clustering

Le clustering est une méthode d’analyse statistique utilisée pour organiser des données brutes sous la forme de groupes les plus homogènes possibles : les clusters. à l’intérieur de chaque groupe (cluster ou phénogroupe), les données sont regroupées selon certaines caractéristiques communes identifiées par un outil d’IA. En français, on emploie couramment le terme de “regroupement de données”.

Cet outil correspond à un algorithme qui mesure la distance entre chaque patient dans un espace construit à partir de certaines variables prédéfinies (âge, sexe, présence d’un diabète, d’un antécédent d’infarctus du myocarde…). Une fois que cet outil a mesuré cette “distance” entre les patients, il tente de les classer au mieux afin de créer autant de[...]

Connectez-vous pour consulter l'article dans son intégralité.