Détection d'un dysfonctionnement systolique ventriculaire gauche à partir d'un seul

npj Digital Medicine volume 6, Numéro d'article : 124 (2023) Citer cet article

2352 Accès

1 Citation

40 Altmétrique

Détails des métriques

L'intelligence artificielle (IA) peut détecter un dysfonctionnement systolique ventriculaire gauche (LVSD) à partir d'électrocardiogrammes (ECG). Les appareils portables pourraient permettre un large dépistage basé sur l’IA, mais obtiendraient fréquemment des ECG bruyants. Nous rapportons une nouvelle stratégie qui automatise la détection de maladies cardiovasculaires cachées, telles que la LVSD, adaptée aux ECG bruyants à une seule dérivation obtenus sur des appareils portables et portables. Nous utilisons 385 601 ECG pour développer un modèle standard et adapté au bruit. Pour le modèle adapté au bruit, les ECG sont augmentés pendant l'entraînement avec un bruit gaussien aléatoire dans quatre plages de fréquences distinctes, chacune émulant des sources de bruit du monde réel. Les deux modèles fonctionnent de manière comparable sur les ECG standard avec un AUROC de 0,90. Le modèle adapté au bruit fonctionne nettement mieux sur le même ensemble de tests augmenté de quatre enregistrements de bruit réels distincts à plusieurs rapports signal/bruit (SNR), y compris le bruit isolé d'un ECG d'appareil portable. Les modèles standard et adaptés au bruit ont un AUROC de 0,72 et 0,87, respectivement, lorsqu'ils sont évalués sur des ECG augmentés du bruit d'un appareil ECG portable à un SNR de 0,5. Cette approche représente une nouvelle stratégie pour le développement d’outils adaptés aux appareils portables à partir de référentiels d’ECG cliniques.

La dysfonction systolique ventriculaire gauche (DVG) est associée à une augmentation de plus de 8 fois du risque d'insuffisance cardiaque et à une augmentation de près de 2 fois du risque de décès prématuré1. Un diagnostic précoce peut atténuer efficacement ce risque2,3,4, mais le LVSD n'est souvent diagnostiqué qu'après que les patients développent une maladie symptomatique en raison du manque de stratégies de dépistage efficaces5,6,7. L'intelligence artificielle (IA) peut détecter un dysfonctionnement systolique ventriculaire gauche (LVSD) à partir d'électrocardiogrammes (ECG), un diagnostic qui repose traditionnellement sur une échocardiographie complète ou une autre imagerie cardiaque, qui nécessite beaucoup de ressources et est difficile à utiliser pour des stratégies de dépistage généralisées8,9. Même si l’AI-ECG est un outil de dépistage prometteur pour détecter le LVSD, les algorithmes ont été conçus sur des ECG à 12 dérivations obtenus cliniquement. Les progrès des technologies portables et portables permettent désormais l’acquisition de signaux ECG à une seule dérivation au point d’intervention, ouvrant la voie à des outils de dépistage plus efficaces et évolutifs avec ces technologies AI-ECG10,11. Cette accessibilité améliorée pourrait permettre un dépistage plus large du LVSD basé sur l’IA, mais la fiabilité de ces outils est limitée par la présence de bruit dans les données collectées à partir d’appareils portables et portables12,13. Par conséquent, les performances des modèles de détection du LVSD à partir des ECG d’appareils portables peuvent se dégrader dans le contexte réel, avec des performances inférieures à celles observées dans les dérivés originaux à dérivation unique des études de développement clinique14,15.

En l’absence de grands ensembles de données étiquetées d’ECG portables, le développement d’algorithmes capables de détecter les maladies cardiaques structurelles sous-jacentes sur les appareils portables repose sur des informations sur une seule dérivation spécifiquement adaptées à partir d’ECG à 12 dérivations extraites de bibliothèques d’ECG cliniques. Cependant, ce processus ne prend pas spécifiquement en compte les difficultés uniques d’acquisition de données rencontrées avec les ECG portables, contribuant peut-être à leurs performances diagnostiques incohérentes. En effet, plusieurs sources de bruit existent dans les données portables, résultant de facteurs tels qu'un mauvais contact des électrodes avec la peau, des mouvements et des contractions musculaires pendant l'ECG, ainsi que des interférences électriques externes16,17,18,19. Ce bruit a des implications pratiques, car les modèles démontrent de moins bonnes performances lorsqu'ils sont testés sur toutes les données ECG portables disponibles, par opposition à des sous-ensembles sélectionnés de haute qualité15. Cette différence marquée de performances basée sur le bruit a limité les programmes de dépistage basés sur des appareils portables, avec une étude de dépistage de la fibrillation auriculaire basée sur des appareils portables disqualifiant 22 % des patients en raison d'une qualité de signal insuffisante12. La prise en compte de ce bruit est une condition préalable au développement de modèles largement accessibles qui constitueront la base de programmes de dépistage efficaces du LVSD dans la communauté.