Desenvolvimento de um Algoritmo de Inteligência Artificial para Detectar Distúrbios Patológicos da Repolarização no ECG e o Risco de Arritmias Ventriculares (DEEPECG4U)

Torsade-de-Pointes (TdP) são arritmias ventriculares potencialmente fatais favorecidas por um prolongamento da repolarização ventricular (QT longo, QTL). Os diferentes tipos de LQT existentes derivam da inibição das correntes cardíacas de potássio (IKr ; IKs) ou da ativação de uma corrente tardia de sódio (INaL). Essas alterações podem ser de origem congênita (3 tipos=>cLQT-1:IKs, cLQT-2:IKr, cLQT-3: INaL) ou induzida por drogas (diLQT, via inibição de IKr). Mais de 100 medicamentos têm autorização de comercialização, apesar do risco de TdP, porque apresentam uma relação benefício/risco favorável (por exemplo, hidroxicloroquina).

O QTc, que representa a duração da repolarização ventricular (mseg) e corresponde ao tempo entre o início do QRS e o final da onda T, corrigida pela frequência cardíaca, é prolongado em todos os QTL. Anormalidades específicas da onda T em função das correntes alteradas foram descritas e ajudam a discriminar os tipos cLQT/diLQT. Assim, limitar a análise do ECG à do QTc não é muito preditivo porque as informações contidas em um ECG são muito mais ricas e não se limitam à simples medição de um intervalo.

Recentemente, mostramos que a análise de ECGs usando inteligência artificial (rede neural convolucional, deep-learning) identifica elementos do ECG que são mais discriminantes na previsão do tipo de LQT e do risco de TdP, além do QTc. Com essas técnicas, desenvolvemos um modelo com módulos probabilísticos que preveem o risco de TdP, identificam o tipo de LQT (escore variando de 0 a 100%) e permitem a medição quantitativa de vários parâmetros comuns de ECG (incluindo QTc, frequência cardíaca , PR e QRS).

O objetivo do projeto é validar prospectivamente em coortes da vida real de vários departamentos da APHP o nosso modelo permitindo:

1. medição automática do QTc,
2. identificação e tipagem de LQT e risco de TdP.