开发一种人工智能算法来检测心电图上的病理性复极化障碍和室性心律失常的风险 (DEEPECG4U)

尖端扭转型室性心动过速 (TdP) 是潜在致命的室性心律失常，有利于延长心室复极化（长 QT、LQT）。 不同类型的现有 LQT 源自心脏钾电流 (IKr; IKs) 的抑制或晚期钠电流 (INaL) 的激活。 这些改变可能是先天性的（3 种类型=>cLQT-1:IKs、cLQT-2:IKr、cLQT-3:INaL）或药物诱导的（diLQT，通过抑制 IKr）。 尽管存在 TdP 风险，但仍有 100 多种药物获得了上市许可，因为它们具有良好的效益/风险比（例如 羟氯喹）。

QTc 表示心室复极化的持续时间 (msec)，对应于 QRS 开始和 T 波结束之间的时间，通过心率校正，在所有 LQT 中均延长。 作为电流改变函数的特定 T 波异常已被描述，并有助于区分 cLQT/diLQT 类型。 因此，将 ECG 的分析限制在 QTc 的分析上并不是很有预测性，因为 ECG 中包含的信息要丰富得多，并且不限于简单的间隔测量。

我们最近表明，使用人工智能（卷积神经网络、深度学习）对 ECG 进行分析可以识别出 ECG 的元素，这些元素在预测 LQT 类型和 TdP 风险方面比 QTc 更具鉴别力。 利用这些技术，我们开发了一个具有概率模块的模型，可以预测 TdP 的风险，识别 LQT 的类型（分数范围从 0 到 100%），并允许对各种常见的 ECG 参数（包括 QTc、心率）进行定量测量、PR 和 QRS）。

该项目的目标是前瞻性地验证来自 APHP 各个部门的现实生活队列，我们​​的模型允许：

1. 自动 QTc 测量，
2. LQT 的识别和分型以及 TdP 的风险。