L’intelligence artificielle (IA) peut être appliquée à l’électrocardiogramme (ECG) pour en diagnostiquer des anomalies ou encore pour prédire la survenue d’évènement.
Notre but est de chercher à détecter des patients à risque de troubles du rythme ventriculaire grave, particulièrement les torsades de pointes. Nous avons utilisé pour cela une approche physiopathologique et entraîné des modèles d’IA (CNN : Convolutionnal Neural Network) à détecter le blocage d’un courant potassique repolarisant (IKr) induit par un médicament (le sotalol) indépendamment de la durée de l’intervalle QTc. Ce choix résulte du fait que la mesure sur l’électrocardiogramme (ECG) de l’allongement de l’intervalle QTc est délicate et constitue un mauvais marqueur du risque de torsades de pointes.
Le modèle d’IA a une meilleure performance pour la détection de la prise de sotalol que la simple mesure de l’intervalle QTc par le médecin (aire sous la courbe ROC=0,98 vs. 0,72, p≤ 0,001) et cela reste vrai lorsque l’on utilise une seule dérivation de l’ECG.
Ce modèle d’IA est également performant pour détecter les patients atteints d’un syndrome du QT long congénital génotypé et plus particulièrement encore ceux avec un QT long de type 2 qui correspond à un dysfonctionnement du canal responsable du courant IKr.
Enfin, la « signature » IA du blocage d’IKr est observée chez les patients qui présentent des torsades de pointes médicamenteuses avec une intensité qui augmente dans le temps, à l’approche de la survenue de la torsade de pointes.
Ces résultats ouvrent une perspective d’avancée importante dans ce domaine, pour une médecine prédictive individuelle.
Résumé d’article rédigé par les Prs Antoine Leenhardt et Fabrice Extramiana.