Recevez chaque jour toute l'actualité du numérique

x

L'AP-HP teste un modèle d'IA pour prédire la survenue d'arythmies cardiaques mortelles

Des scientifiques ont mis au point un système d'apprentissage automatique capable de prédire le risque de survenue d'une torsade de pointe, un trouble du rythme cardiaque potentiellement mortel. Associé à un capteur du signal ECG, il pourrait considérablement réduire les morts subites causées par la prise de certains médicaments. Une technologie particulièrement intéressante pour les pays du Sud. 
Twitter Facebook Linkedin Flipboard Email
×

L'AP-HP teste un modèle d'IA pour prédire la survenue d'arythmies cardiaques mortelles
L'AP-HP teste un modèle d'IA pour prédire la survenue d'arythmies cardiaques mortelles © Towfiqu barbhuiya/Unsplash

Des chercheurs de l’hôpital de la Pitié-Salpêtrière AP-HP, de l’Institut de recherche pour le développement (IRD), de Sorbonne Université et de l’Institut national de la santé et de la recherche médicale (Inserm) ont testé avec succès un système d'apprentissage automatique capable de prédire la survenue d'une arythmie cardiaque potentiellement mortelle. Leurs travaux ont été publiés dans la revue médicale l'European Heart Journal

prédire La torsade de pointe
Ils se sont intéressés à la torsade de pointe, un trouble du rythme cardiaque au cours duquel le coeur peut s'arrêter. Bien qu'il soit rare, il est très difficile à détecter car près de 50% des patients sont asymptomatiques. Ce trouble peut être héréditaire ou provoqué par la prise d'un médicament (anti-arythmique, antipaludiques, antidépresseurs et antibiotiques). 

Actuellement, la détection repose sur un électrocardiogramme (ECG) permettant de mesurer la durée de l'intervalle des ondes Q et T, qui correspond au temps nécessaire pour la dépolarisation et la repolarisation des ventricules. Lorsqu'une personne est touchée par une torsade de pointe, l'intervalle QT est allongé. Cette mesure est ensuite corrigée en fonction de la fréquence cardiaque du patient.

Or, cette méthode traditionnelle est considérée comme insuffisamment efficace car la plupart des médecins qui prescrivent des médicaments à risque ne sont pas forcément capables de quantifier correctement le risque d'une torsade de pointe. D'où l'idée pour les chercheurs de recourir à l'intelligence artificielle pour améliorer la prédiction de ce risque et ainsi éviter les morts subites.

Des enregistres d'ECG de 1000 individus sains
Les scientifiques se sont focalisés sur la prise de sotalol, un médicament utilisé en prévention des récidives de certaines tachycardies qui peut être à l'origine de torsade de pointe. Dans les détails, ils ont utilisé une série d'algorithmes qui vise à identifier les altérations dans les électrocardiogrammes. Ces algorithmes ont permis d'entraîner des réseaux neuronaux convolutifs (CNN) à détecter certaines anomalies sur des enregistrements d'électrocardiogrammes d'une cohorte d'environ 1000 individus sains, avant et après la prise de sotalol. 

Les premiers résultats sont plutôt encourageants puisque "les modèles basés sur l’apprentissage profond surpassaient la performance des modèles utilisant seulement l’intervalle Q et T corrigé pour identifier le risque de torsade de pointe médicamenteuse", explique Edi Prifti, chercheur à l’IRD en intelligence artificielle appliquée aux maladies complexes. Ces modèles pourraient être couplés à "des capteurs portatifs du signal ECG (...) et ainsi prévenir les morts subites associées à la prise de médicaments couramment prescrits", imagine Joe-Elie Salem, maître de conférence en pharmacologie à l’hôpital de la Pitié-Salpêtrière AP-HP/Sorbonne Université/Inserm. 

Une aubaine pour les pays du Sud
Cette découverte est particulièrement intéressante pour les pays du Sud touchés par une très forte désertification médicale, rapportent les auteurs. A ce titre, des collaborations avec des partenaires sénégalais ont été initiées afin d'adapter ces travaux aux spécificités des populations locales. 

Réagir

* Les commentaires postés sur L’Usine Digitale font l’objet d’une modération par l’équipe éditoriale.