Les chercheurs du laboratoire Yale Cardiovascular Data Science (CarDS) ont développé un modèle basé sur l’intelligence artificielle (IA) pour le diagnostic clinique qui peut utiliser des images d’électrocardiogramme (ECG), quel que soit leur format ou leur disposition, pour diagnostiquer plusieurs troubles du rythme cardiaque et de la conduction.
L’équipe dirigée par le Dr Rohan Khera, professeur adjoint en médecine cardiovasculaire, a développé un nouveau modèle de diagnostic automatisé multimarque à partir d’images ECG. Dx ECG © est le dernier outil du laboratoire CarDS conçu pour rendre l’interprétation ECG basée sur l’IA accessible dans les environnements distants. Ils espèrent que la nouvelle technologie fournira une méthode améliorée pour diagnostiquer les principaux troubles cardiaques. Les conclusions ont été publiées dans Communication Nature le 24 mars.
Le premier auteur de l’étude est Veer Sangha, étudiant en informatique au Yale College. « Notre étude suggère que les modèles d’image et de signal ont des performances comparables pour les étiquettes cliniques sur plusieurs ensembles de données », a déclaré Sangha. « Notre approche pourrait étendre les applications de l’intelligence artificielle aux soins cliniques ciblant des défis de plus en plus complexes. »
À mesure que la technologie mobile s’améliore, les patients ont de plus en plus accès aux images ECG, ce qui soulève de nouvelles questions sur la manière d’intégrer ces appareils dans les soins aux patients. Sous le mentorat de Khera, les recherches de Sangha au CarDS Lab analysent les entrées multimodales des dossiers de santé électroniques pour concevoir des solutions potentielles.
Le modèle est basé sur des données collectées à partir de plus de 2 millions d’ECG de plus de 1,5 million de patients qui ont reçu des soins au Brésil de 2010 à 2017. Un patient sur six a été diagnostiqué avec des troubles du rythme. L’outil a été validé de manière indépendante par le biais de plusieurs sources de données internationales, avec une grande précision pour le diagnostic clinique à partir des ECG.
Les approches d’apprentissage automatique (ML), en particulier celles qui utilisent l’apprentissage en profondeur, ont transformé la prise de décision de diagnostic automatisée. Pour les ECG, ils ont conduit au développement d’outils qui permettent aux cliniciens de trouver des schémas cachés ou complexes. Cependant, les outils d’apprentissage en profondeur utilisent des modèles basés sur des signaux qui, selon Khera, n’ont pas été optimisés pour les établissements de soins de santé à distance. Les modèles basés sur l’image peuvent offrir une amélioration du diagnostic automatisé à partir des ECG.
Il existe un certain nombre de défis cliniques et techniques lors de l’utilisation d’applications basées sur l’IA.
Les outils d’IA actuels reposent sur des signaux électrocardiographiques bruts au lieu d’images stockées, qui sont beaucoup plus courantes car les ECG sont souvent imprimés et numérisés sous forme d’images. En outre, de nombreux outils de diagnostic basés sur l’IA sont conçus pour des troubles cliniques individuels et, par conséquent, peuvent avoir une utilité limitée dans un contexte clinique où plusieurs anomalies ECG coexistent. Une avancée clé est que la technologie est conçue pour être intelligente – ; il ne dépend pas de dispositions ECG spécifiques et peut s’adapter aux variations existantes et aux nouvelles dispositions. À cet égard, il peut fonctionner comme des lecteurs humains experts, identifiant plusieurs diagnostics cliniques dans différents formats d’ECG imprimés qui varient selon les hôpitaux et les pays. »
Dr Rohan Khera, professeur adjoint en médecine cardiovasculaire
