Alexandre Unger

La cardiopathie ischémique avec fraction d’éjection réduite constitue une pathologie grave, associée à un risque élevé de complications majeures, telles que l’insuffisance cardiaque et la mort subite. Bien que ces enjeux soient bien identifiés, les outils actuels de stratification du risque restent limités, notamment en ce qui concerne l’intégration des données issues de l’imagerie avancée, comme le rehaussement tardif en IRM, un marqueur clé de la fibrose myocardique.

Dans ce contexte, nous avons développé un concept novateur d’analyse approfondie du rehaussement tardif, basé sur sa granularité. Cette approche ne se limite pas à mesurer l’étendue globale de la fibrose, mais s’intéresse également à sa localisation précise, son organisation en motifs particuliers et son degré d’infiltration dans le myocarde. Ces caractéristiques détaillées pourraient fournir des informations déterminantes pour améliorer la stratification du risque cardiovasculaire.

Afin d'exploiter pleinement ces données, nous avons recours à des techniques avancées de machine learning. Ces algorithmes permettent de croiser les informations d’imagerie avec les paramètres cliniques pour développer un score prédictif. Ce score vise à anticiper les hospitalisations, la mortalité, et les épisodes d’insuffisance cardiaque, tout en offrant une opportunité d’optimiser la prise en charge et d’adapter les traitements de manière plus personnalisée.

Ce projet est développé en partenariat avec Miracl.AI Lab de l’hôpital Lariboisière, sous la supervision du Dr Théo Pezel. Ce partenariat permet de combiner expertise clinique, innovation technologique et recherche fondamentale pour explorer de nouvelles approches dans le domaine de l’imagerie cardiaque et de la prédiction des risques.

Ce programme de recherche représente une étape clé vers une médecine de précision appliquée aux cardiopathies ischémiques, avec l’espoir d’améliorer significativement les pronostics et la qualité de vie des patients.