Recrutement en cours

Développement d’un algorithme d’intelligence artificielle pour détecter les troubles pathologiques de la repolarisation sur l’ECG et le risque d’arythmies ventriculaires

Promoteur : Assistance Publique - Hôpitaux de Paris

Titre et résumé traduits de l’anglais par le portail, à partir de la fiche publiée par le registre source, le 18 septembre 2026. Traduction automatique, sans relecture médicale : elle ne modifie ni n’interprète le contenu ; en cas de doute, le texte original fait foi.

Texte original (anglais)

Development of an Artificial Intelligence Algorithm to Detect Pathological Repolarization Disorders on the ECG and the Risk of Ventricular Arrhythmias

Torsades de Pointes (TdP) are potentially fatal ventricular arrhythmias that are promoted by prolonged ventricular repolarization (Long QT, LQT). The different forms of LQT result from inhibition of cardiac potassium currents (IKr and IKs) or activation of a late sodium current (INaL). These alterations may be either congenital (3 types: cLQT-1: IKs, cLQT-2: IKr, cLQT-3: INaL) or drug-induced (diLQT, via inhibition of IKr). More than 100 medications have received marketing authorization despite a known risk of TdP, due to a favorable benefit-risk ratio (e.g., hydroxychloroquine). QTc, which represents the duration of ventricular repolarization (in milliseconds) - defined as the time from the beginning of the QRS complex to the end of the T wave, corrected for heart rate - is prolonged in all forms of LQT. Specific T-wave abnormalities, depending on the altered ion currents, have been described and can help differentiate the various types of congenital or drug-induced LQT. However, screening for LQT and TdP risk, both at the individual and population levels, currently relies mainly on isolated QTc evaluation and genetic testing, which often takes considerable time to return. Thus, limiting ECG analysis to QTc measurement alone offers low predictive value, as the ECG contains a wealth of additional information beyond a single interval. The investigator recently demonstrated that artificial intelligence (AI)-based ECG analysis using deep-learning convolutional neural networks can detect more discriminative features of the ECG for predicting the type of LQT and the risk of TdP, going beyond QTc alone. Using these techniques, the investigator developed a model with probabilistic modules capable of: predicting TdP risk, identifying LQT subtypes (scores ranging from 0 to 100%), and quantitatively measuring ECG parameters such as QTc, heart rate, PR, and QRS duration. The objective of this project is to prospectively validate our model in real-world conditions across various departments within AP-HP, for: Automatic measurement of QTc, and Identification and classification of LQT types and TdP risk.

Les torsades de pointes (TdP) sont des arythmies ventriculaires potentiellement mortelles, favorisées par un allongement de la repolarisation ventriculaire (QT long, LQT). Les différentes formes de LQT résultent d’une inhibition des courants potassiques cardiaques (IKr et IKs) ou de l’activation d’un courant sodique tardif (INaL). Ces altérations peuvent être soit congénitales (3 types : cLQT-1 : IKs, cLQT-2 : IKr, cLQT-3 : INaL), soit d’origine médicamenteuse (diLQT, via inhibition d’IKr). Plus de 100 médicaments ont obtenu une autorisation de mise sur le marché malgré un risque connu de TdP, en raison d’un rapport bénéfice-risque favorable (par exemple, l’hydroxychloroquine). Le QTc, qui représente la durée de la repolarisation ventriculaire (en millisecondes) - défini comme le temps entre le début du complexe QRS et la fin de l’onde T, corrigé de la fréquence cardiaque -, est allongé dans toutes les formes de LQT. Des anomalies spécifiques de l’onde T, selon les courants ioniques altérés, ont été décrites et peuvent aider à différencier les différents types de LQT congénitaux ou d’origine médicamenteuse. Toutefois, le dépistage du LQT et du risque de TdP, tant à l’échelle individuelle que populationnelle, repose actuellement principalement sur l’évaluation isolée du QTc et sur des tests génétiques, dont les résultats sont souvent obtenus après un délai considérable. Ainsi, limiter l’analyse de l’ECG à la seule mesure du QTc offre une faible valeur prédictive, car l’ECG contient une richesse d’informations supplémentaires au-delà d’un simple intervalle. L’investigateur a récemment démontré que l’analyse de l’ECG fondée sur l’intelligence artificielle (IA), utilisant des réseaux de neurones convolutifs à apprentissage profond, permet de détecter des caractéristiques plus discriminantes de l’ECG pour prédire le type de LQT et le risque de TdP, au-delà du seul QTc. À l’aide de ces techniques, l’investigateur a développé un modèle comportant des modules probabilistes capables : de prédire le risque de TdP, d’identifier les sous-types de LQT (scores allant de 0 à 100 %), et de mesurer quantitativement des paramètres ECG tels que le QTc, la fréquence cardiaque, le PR et la durée du QRS. L’objectif de ce projet est de valider prospectivement notre modèle en conditions réelles dans divers services au sein de l’AP-HP, pour : la mesure automatique du QTc, et l’identification et la classification des types de LQT et du risque de TdP.

Voir les modalités officielles

Vous quittez essai-clinique.com pour le site externe clinicaltrials.gov, géré par l’organisme responsable de l’annonce. La candidature, les questions d’éligibilité et toute information médicale se traitent uniquement là-bas.

Important : essai-clinique.com ne recueille pas de candidature et ne détermine pas votre éligibilité. Ne transmettez aucune information médicale au site.

Les critères affichés sont une synthèse des informations disponibles. Seul l’organisme responsable de l’étude peut confirmer l’éligibilité d’une personne.