L'âge biologique est un concept qui quantifie l'état physiologique réel d'une personne, par opposition à son âge chronologique qui mesure simplement le temps écoulé depuis la naissance.  [1] Alors que l'âge chronologique progresse de manière uniforme pour tous, l'âge biologique reflète le déclin fonctionnel des tissus et des organes, qui varie considérablement d'un individu à l'autre. [2]

La figure suivante illustre la distinction fondamentale entre ces deux concepts de vieillissement :

 

Figure 1. Central Illustration. Chronological vs Biological Aging

Chronological vs Biological Aging: JACC Journals Family Series. J Am Coll Cardiol. 22 mars 2024.

Mesure de l'âge biologique

L'âge biologique est estimé à partir de multiples biomarqueurs qui peuvent inclure : [1]

• Tests cliniques de routine : largeur de distribution des globules rouges, créatinine sérique

• Évaluations physiologiques : capacité vitale forcée, consommation maximale d'oxygène

• Marqueurs épigénétiques : profils de méthylation de l'ADN (horloges épigénétiques comme DNAm Horvath, Hannum, GrimAge, PhenoAge)

• Évaluations radiologiques : IRM cérébrale pour déterminer "l'âge cérébral"

• Panels de protéines circulantes : GDF-15, cystatine C

• Biomarqueurs métabolomiques : MetaboAge, MetaboHealth

 

Figure 2. Biomarkers of Biological Vascular Aging

Biological Versus Chronological Aging: JACC Focus Seminar. J Am Coll Cardiol. 3 mars 2020.

Signification clinique

L'écart entre l'âge biologique et l'âge chronologique (appelé "avancement de l'âge") prédit la mortalité et d'autres résultats liés à l'âge indépendamment de l'âge chronologique. [1] Par exemple, une personne dont l'âge biologique est de 8,3 ans supérieur à son âge chronologique (basé sur la méthylation de l'ADN) présente un taux de mortalité 2,2 fois plus élevé. [1] Les individus peuvent être classés comme "vieillissant lentement" (âge chronologique > âge biologique), "normalement" (âges égaux), ou "vieillissant rapidement" (âge biologique > âge chronologique). [4]

L'âge biologique est influencé par la génétique, le mode de vie, le stress psychosocial, l'environnement et la nutrition, et contrairement à l'âge chronologique, il est potentiellement modifiable par des interventions.  [4-5] Il n'existe actuellement aucun consensus sur la mesure optimale de l'âge biologique, et différentes approches (épigénétiques, métabolomiques, cliniques) semblent capturer des aspects distincts du vieillissement. [6]

Les modèles d'intelligence artificielle peuvent prédire la mortalité avec une précision élevée (AUC de 0.79 à 0.95 selon les contextes), surpassant souvent les méthodes statistiques traditionnelles.  [1-2] Une méta-analyse de 2025 portant sur 88 études montre une performance globale avec un AUC de 0.831 pour la prédiction de la mortalité toutes causes confondues.  [1]

Principaux algorithmes d'IA utilisés

Algorithmes d'apprentissage automatique courants : Les modèles les plus performants incluent le deep learning (apprentissage profond), random forest (forêt aléatoire), gradient boosting (XGBoost), et les réseaux de neurones artificiels. [2-3] Dans une étude sur la UK Biobank, le deep learning a atteint un AUC de 0.790 pour prédire la mortalité prématurée, comparé à 0.751 pour la régression de Cox traditionnelle. [2]

Modèles de grands langages (LLMs) : Des modèles récents comme Qwen-2 et Llama-3 peuvent analyser les dossiers médicaux pour prédire la mortalité, bien que leur performance (AUC 0.56-0.65) reste inférieure aux réseaux neuronaux spécialisés comme SWEDEHEART-AI (AUC 0.72). [4]

Applications cliniques spécifiques

Soins intensifs : Les modèles d'IA en unité de soins intensifs atteignent des AUC jusqu'à 0.929, surpassant les scores traditionnels comme APACHE IV et SAPS3. [5] Ces outils permettent une meilleure allocation des ressources et une prise de décision clinique améliorée.

Admission hospitalière : Un modèle développé pour prédire la mortalité hospitalière à l'admission en médecine interne a atteint un AUC de 0.924, avec une sensibilité de 0.88 et une spécificité de 0.83. [6]

Soins de fin de vie : Pour les patients cancéreux en phase terminale, un modèle combinant dispositifs portables (montres connectées) et IA peut prédire les décès dans les 7 jours avec un AUC de 0.96, utilisant principalement la fréquence cardiaque moyenne comme variable prédictive. [7]

COVID-19 : Des modèles d'IA ont démontré une stabilité remarquable à travers différentes vagues pandémiques, avec un AUC de 0.92 pour la mortalité et 0.89 pour l'admission en soins intensifs. [8]

Pathologies cardiovasculaires : Pour les patients post-infarctus du myocarde, les modèles d'IA peuvent prédire la mortalité à 1 an avec une bonne discrimination. [4]

Variables prédictives importantes

Les facteurs les plus importants identifiés par les modèles incluent l'âge, les comorbidités (score de Charlson), les paramètres vitaux (fréquence cardiaque, tension artérielle), les biomarqueurs sanguins (urée, créatinine, albumine, D-dimères), le statut fonctionnel et cognitif. [8-10]

Limites et considérations

Les modèles d'IA présentent une hétérogénéité extrême dans leurs performances selon les contextes, nécessitant une validation locale avant implémentation.  [1] Une analyse post-hoc révèle que les modèles peuvent différer en précision selon les sous-populations définies par la race ou le sexe, même lorsqu'ils sont entraînés sur les mêmes données.  [11] La majorité des études (89.8%) n'incluent pas de variables sociales, et les analyses orientées vers l'équité sont rares (< 10%).