Utveckling av en artificiell intelligensalgoritm för att upptäcka patologiska repolarisationsstörningar på EKG och risken för ventrikulära arytmier (DEEPECG4U)

Torsade-de-Pointes (TdP) är potentiellt dödliga ventrikulära arytmier som gynnas av en förlängning av ventrikulär repolarisation (Long QT, LQT). De olika typerna av existerande LQT härrör från hämning av hjärtkaliumströmmar (IKr ; IKs) eller aktivering av en sen natriumström (INaL). Dessa förändringar kan vara av medfödd ursprung (3 typer=>cLQT-1:IKs, cLQT-2:IKr, cLQT-3: INaL) eller läkemedelsinducerade (diLQT, via hämning av IKr). Mer än 100 läkemedel har försäljningstillstånd trots en risk för TdP eftersom de har ett gynnsamt nytta/riskförhållande (t. hydroxiklorokin).

QTc, som representerar varaktigheten av ventrikulär repolarisation (ms) och motsvarar tiden mellan början av QRS och slutet av T-vågen, korrigerad med hjärtfrekvens, förlängs i all LQT. Specifika T-vågsavvikelser som en funktion av de förändrade strömmarna har beskrivits och hjälper till att urskilja cLQT/diLQT-typer. Att begränsa analysen av EKG till QTc-analysen är således inte särskilt förutsägande eftersom informationen i ett EKG är mycket rikare och inte begränsas till den enkla mätningen av ett intervall.

Vi har nyligen visat att analys av EKG med hjälp av artificiell intelligens (konvolutionellt neuralt nätverk, djupinlärning) identifierar delar av EKG som är mer diskriminerande i förutsägelsen av typen av LQT och risken för TdP, utöver QTc. Med dessa tekniker har vi utvecklat en modell med probabilistiska moduler som förutsäger risken för TdP, identifierar typen av LQT (poäng från 0 till 100%) och möjliggör kvantitativa mätningar av olika vanliga EKG-parametrar (inklusive QTc, hjärtfrekvens). , PR och QRS).

Målet med projektet är att prospektivt validera i verkliga kohorter från olika avdelningar av APHP vår modell som tillåter:

1. automatisk QTc-mätning,
2. identifiering och typning av LQT och risk för TdP.