Les études cliniques ont identifié plusieurs facteurs de risque cardiovasculaire associés à la démence et aux pathologies cardiaques, mais leur interaction pathologique reste mal comprise. Habituellement, l'étude de la relation cœur-cerveau est réalisée à travers d'analyses statistiques explorant l'association entre les indicateurs cardiaques et les biomarqueurs cognitifs. Ce type d'étude est généralement réalisé dans des bases de données épidémiologiques, pour lesquelles des mesures conjointes du cerveau et du cœur sont disponibles. Par conséquent, la généralisation de ces résultats aux études sur la démence est difficile, car les évaluations approfondies des fonctions cardiovasculaires dans les bases de données sur la démence actuellement disponibles font généralement défaut. Un autre facteur limitatif des études actuelles est l'interprétabilité limitée des relations physiopathologiques entre le cœur et le cerveau. L'amélioration de notre compréhension des implications de la fonction cardiovasculaire dans la démence nécessite le développement de modèles mécniaques de la physiologie cardiaque, ainsi que le développement de nouvelles approches permettant d'intégrer ces modèles avec des biomarqueurs cérébraux basés sur l'image. Pour relever ces défis, nous avons développé dans cette thèse de nouveaux outils informatiques basés sur l'intégration de modèles mécaniques dans un cadre d'apprentissage statistique. Premièrement, nous avons étudié l'association entre des indicateurs physiologiques non observables, tels que la contractilité cardiaque, et des caractéristiques d'imagerie dérivées du cerveau. À cette fin, l'espace des paramètres d'un modèle mécanique de la fonction cardiaque a été contraint pendant l'étape de personnalisation sur la base des relations entre les paramètres du modèle cardiaque et les informations cérébrales. Cela permet d’attenuer le caractère mal defini du problème inverse associé à la personnalisation du modèle, et d'obtenir des solutions spécifiques au patient qui sont comparables au sein de la population.Deuxièmement, nous avons développé un modèle d'imputation probabiliste qui permet d'imputer les informations cardiaques manquantes dans des bases de données limitées. L'imputation repose sur les dynamiques cœur-cerveau apprises à partir de l'analyse d'une grande population de sujets, et utilise cette connaissance pour obtenir des solutions plausibles dans des bases de données partielles. La nature générative de l'approche permet de simuler l'évolution des paramètres du modèle cardiaque lorsque les caractéristiques du cerveau changent. Troisièmement, nous avons analysé le rôle des paramètres du modèle cardiaque comme biomarqueurs précoces de la démence, ce qui pourrait aider à identifier les individus à risque. Dans ce but, nous avons imputé les informations cardiaques manquantes dans une cohorte longitudinale de la maladie d'Alzheimer. Ensuite, grâce à la modélisation de la progression de la maladie, nous avons estimé le stade de la maladie pour chaque individu sur la base de l'évolution des biomarqueurs. Ceci a permis d'obtenir un modèle de l'évolution de la maladie, d'analyser le rôle de la fonction cardiaque, et d'identifier les paramètres du modèle cardiaque comme biomarqueurs potentiels de la démence à un stade précoce. Les résultats démontrent l'importance des outils développés en obtenant des associations cliniquement plausibles entre les paramètres du modèle cardiaque et les caractéristiques de l'imagerie cérébrale. Ces résultats mettent également en évidence des informations sur la relation physiologique entre la fonction cardiaque et les biomarqueurs de la démence. Les résultats obtenus ouvrent de nouvelles voies de recherche, telles que l'utilisation de modèles mécaniques plus complexes permettant de mieux caractériser la relation cœur-cerveau, ou l'utilisation de modèles cardiaques biophysiques pour dériver des biomarqueurs in-silico afin d'identifier les individus à risque de démence.