Détection et Prédiction Précises des Arythmies Atriales à l'Aide de l'Intelligence Artificielle et des Dispositifs Portables Grand Public (REMOTE-AF2)

La fibrillation auriculaire (FA) est l'arythmie cardiaque la plus répandue, touchant plus d'un million de personnes au Royaume-Uni. Elle est associée à une augmentation de la morbidité et de la mortalité cardiovasculaires et coûte au NHS entre 1,4 milliard et 2,5 milliards de livres sterling par an. Les méthodes actuelles de détection de la FA comprennent la palpation du pouls opportuniste, les électrocardiogrammes (ECG) à 12 dérivations à un moment donné, la surveillance ambulatoire Holter et les enregistreurs de boucle implantables (ILR). Les méthodes de surveillance intermittente plus largement utilisées, telles que les ECG et la surveillance Holter, sont limitées en termes de durée et ont des rendements de détection des arythmies auriculaires plus faibles. À l'autre extrémité du spectre, l'ILR peut fournir une détection d'arythmie continue et précise, mais il est invasif et nécessite une expertise spécialisée pour l'implantation, la surveillance et l'analyse.

Ces dernières années, l'utilisation de dispositifs de santé mobile (mHealth) portables est apparue comme une option directe au consommateur pour surveiller des paramètres tels que la fréquence cardiaque et les niveaux d'activité. D'un point de vue clinique, ils offrent potentiellement une approche d'investigation moins invasive et rentable, avec des solutions de surveillance à distance pour peut-être prédire et détecter la FA. Cette technologie a un potentiel significatif en termes de surveillance passive, non invasive et continue pour aider au diagnostic précoce et à la prise en charge de la FA.

L'étude originale REMOTE-AF (NCT05037136) a développé une nouvelle méthodologie pour détecter la FA en utilisant des données dérivées de la PPG provenant d'un dispositif portable. Cette étude approfondira ce travail fondateur en recrutant des patients pour développer un algorithme multi-paramétrique activé par l'IA utilisant des données dérivées de la PPG pour détecter la FA.