CIGNN: Cadre de l’estimation de la pression artérielle continue sans brassard basé sur les relations causales et les réseaux de neurones graphiques

Introduction

Selon les données de l’Organisation mondiale de la santé (OMS), environ 1,13 milliard de personnes dans le monde sont touchées par l’hypertension, et ce chiffre devrait augmenter à 1,5 milliard d’ici 2025. L’hypertension est un important facteur de risque des maladies cardiovasculaires, notamment les maladies cardiaques et les accidents vasculaires cérébraux, qui sont les principales causes de décès dans le monde. La prévalence de l’hypertension augmente également le fardeau de la démence et du handicap ; par conséquent, la prévention et la gestion de l’hypertension sont cruciales pour améliorer les résultats de santé au niveau mondial.

La mesure continue de la pression artérielle (PA) peut fournir des informations riches pour le diagnostic et la prévention de l’hypertension. En surveillant constamment la pression artérielle, nous pouvons mieux comprendre les tendances et les modèles de la pression artérielle d’un patient, ce qui peut indiquer la nécessité d’un traitement ou d’un ajustement du schéma thérapeutique actuel. En outre, la surveillance continue de la pression artérielle offre plus d’avantages que la mesure intermittente traditionnelle, car la pression artérielle peut être influencée par des facteurs tels que le stress, l’activité physique et l’adhérence aux médicaments. La mesure continue de la pression artérielle sans brassard utilise les avantages des capteurs physiologiques portables, permettant ainsi une surveillance non invasive, pratique et continue. Par conséquent, le modèle d’estimation de la pression artérielle sans brassard a attiré une attention considérable.

Les modèles existants d’estimation de la pression artérielle sans brassard se divisent principalement en méthodes basées sur la connaissance et sur les données. Les modèles basés sur la connaissance s’appuient sur les connaissances des experts en systèmes cardiovasculaires, comme certains modèles physiologiques basés sur le temps de transit du pouls (Pulse Transit Time, PTT) et l’équation de Moens-Korteweg (M-K). Cependant, ces modèles reposent souvent sur des hypothèses qui peuvent ne pas être valides en pratique. Une autre catégorie de modèles basés sur les données apprend la relation de mappage entre les informations relatives à la pression artérielle et la pression artérielle à partir des données, mais ces modèles dépendent généralement d’une grande quantité de données de haute qualité et peuvent être influencés par des artefacts de mouvement et des bruits environnementaux.

La plupart des recherches actuelles, en se concentrant sur des approches basées sur la connaissance ou sur les données, négligent les relations causales entre les caractéristiques portables et les variations de la pression artérielle. Les relations causales peuvent améliorer l’interprétabilité, la robustesse et la généralisation des méthodes d’estimation de la pression artérielle sans brassard, ainsi qu’aider à identifier les mécanismes physiologiques sous-jacents.

Origine de la recherche

Cet article a été rédigé par Lei Liu, Huiqi Lu, Maxine Whelan, Yifan Chen et Xiaorong Ding. Cette recherche a été partiellement financée par le plan de technologie du Sichuan (2021YFH0179) et le Fonds national des sciences naturelles de Chine (82102178). Huiqi Lu a également reçu des financements du Royal Academy of Engineering Daphne Jackson Trust Fellowship Grant, de l’EPSRC Healthcare Technologies Challenge Award et du Wellcome Trust. Cet article a été publié en mai 2024 dans l’IEEE Journal of Biomedical and Health Informatics.

Introduction du processus de recherche

Cet article propose un cadre en deux étapes, CIGNN, qui intègre de manière transparente les relations causales et les réseaux de neurones graphiques (Graph Neural Network, GNN) pour l’estimation continue de la pression artérielle sans brassard.

Phase 1 : Génération de graphes causaux

Dans la première phase, les chercheurs utilisent une perspective d’inférence causale pour générer un graphe causal incluant la pression artérielle (PA) et les caractéristiques portables, afin d’identifier les caractéristiques causales des variations de la PA. L’innovation de cette phase réside dans le fait qu’elle va au-delà du temps de transit du pouls (PTT) traditionnel et identifie d’autres caractéristiques causales plus étroitement associées aux variations de la pression artérielle.

Plus précisément, cet article utilise l’algorithme d’inférence causale rapide (Fast Causal Inference, FCI) pour générer un graphe causal initial et utilise l’algorithme de réseaux de neurones génératifs causaux (Causal Generative Neural Networks, CGNN) pour orienter et corriger le graphe causal initial. Grâce à ces algorithmes d’inférence causale, le graphe causal proposé peut révéler la relation causale entre la PA et les caractéristiques portables.

Phase 2 : Réseau de neurones graphiques spatio-temporel

Dans la deuxième phase, les chercheurs utilisent les graphes causaux obtenus à partir de la première phase et appliquent un modèle de réseau de neurones graphiques spatio-temporel (Spatio-Temporal Graph Neural Network, STGNN) pour apprendre les informations spatiales du graphe causal et les informations temporelles à travers les signaux cardiaques, réalisant ainsi une estimation précise de la pression artérielle continue sans brassard.

Les chercheurs ont utilisé trois ensembles de données, incluant 305 sujets (dont 102 hypertendus) de divers groupes d’âge et niveaux de pression artérielle. Les résultats montrent que pour l’estimation de la pression artérielle systolique (PAS) et de la pression artérielle diastolique (PAD), la méthode CIGNN présente une erreur absolue moyenne (MAD) de 3,77 mmHg et 2,52 mmHg, respectivement, surpassant les autres méthodes comparatives.

Résultats de la recherche

1. Génération de graphes causaux

   • Le graphe causal initial a été généré par l’algorithme FCI, montrant que certaines directions des arêtes n’étaient pas déterminées.
   • L’algorithme CGNN a corrigé davantage le graphe causal initial, clarifiant les directions de toutes les arêtes et éliminant certaines arêtes incorrectes.

2. Analyse des caractéristiques causales

   • Dans le graphe causal, les caractéristiques AA et PTT montrent un effet supérieur au simple PTT, validant la rationalité du graphe causal.

3. Évaluation des performances d’estimation de la pression artérielle

   • La méthode CIGNN montre des performances supérieures sur plusieurs indicateurs d’évaluation, avec des erreurs d’estimation nettement inférieures à celles des méthodes de référence.
   • L’estimation pour différents groupes d’âge et patients hypertendus a également montré une robustesse et une précision élevées.

Conclusion et valeur

Cette recherche a significativement amélioré la précision de l’estimation continue sans brassard de la pression artérielle en introduisant des relations causales. Plus précisément :

1. Valeur scientifique

   • En révélant les relations causales entre la PA et les caractéristiques portables, cette méthode a renforcé l’interprétabilité des méthodes d’estimation de la pression artérielle sans brassard.

2. Valeur appliquée

   • Elle offre une méthode d’estimation de la pression artérielle sans brassard performante dans diverses conditions, aidant au diagnostic et à la prévention précoces de l’hypertension.

3. Points forts de la recherche

   • En utilisant une nouvelle approche combinant l’inférence causale et les GNN, elle offre une nouvelle perspective pour l’estimation de la pression artérielle sans brassard.

Les recherches futures intégreront encore plus de connaissances physiologiques, révélant plus de relations causales potentielles, et seront appliquées à un plus grand nombre d’applications cliniques. Cette étude ne fait pas seulement avancer la technologie de la surveillance continue de la pression artérielle sans brassard, mais fournit également de nouveaux outils et méthodes pour la prévention et le traitement de l’hypertension.