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

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.