Utvikling av en kunstig intelligensalgoritme for å oppdage patologiske repolarisasjonsforstyrrelser på EKG og risikoen for ventrikulære arytmier (DEEPECG4U)

Torsade-de-Pointes (TdP) er potensielt dødelige ventrikulære arytmier favorisert av en forlengelse av ventrikulær repolarisering (Long QT, LQT). De forskjellige typene av eksisterende LQT stammer fra inhibering av hjertekaliumstrømmer (IKr ; IKs) eller aktivering av en sen natriumstrøm (INaL). Disse endringene kan være av medfødt opprinnelse (3 typer=>cLQT-1:IKs, cLQT-2:IKr, cLQT-3: INaL) eller medikamentindusert (diLQT, via hemming av IKr). Mer enn 100 legemidler har markedsføringstillatelse til tross for en risiko for TdP fordi de har et gunstig nytte/risiko-forhold (f.eks. hydroksyklorokin).

QTc, som representerer varigheten av ventrikulær repolarisering (ms) og tilsvarer tiden mellom begynnelsen av QRS og slutten av T-bølgen, korrigert med hjertefrekvens, forlenges i all LQT. Spesifikke T-bølgeavvik som en funksjon av de endrede strømmene er blitt beskrevet og hjelper til med å skille mellom cLQT/diLQT-typer. Derfor er det ikke særlig prediktivt å begrense analysen av EKG til QTc, fordi informasjonen i et EKG er mye rikere og ikke begrenset til den enkle målingen av et intervall.

Vi har nylig vist at analyse av EKG ved bruk av kunstig intelligens (konvolusjonelt nevralt nettverk, dyp læring) identifiserer elementer av EKG som er mer diskriminerende i prediksjonen av typen LQT og risikoen for TdP, utover QTc. Med disse teknikkene har vi utviklet en modell med sannsynlighetsmoduler som forutsier risikoen for TdP, identifiserer typen LQT (score fra 0 til 100%) og gir mulighet for kvantitative målinger av ulike vanlige EKG-parametere (inkludert QTc, hjertefrekvens) , PR og QRS).

Målet med prosjektet er å prospektivt validere i det virkelige liv kohorter fra ulike avdelinger av APHP vår modell som tillater:

1. automatisk QTc-måling,
2. identifikasjon og typing av LQT og risiko for TdP.