Une nouvelle méthode utilisant l’intelligence artificielle (IA) est proposée pour identifier les risques de développer l’arythmie cardiaque appelée Torsade de Pointes.
Identifiée sur les électrocardiogrammes (ECG) par sa configuration particulière à l’origine de son nom, la Torsade de Pointes (TdP) est un évènement cardiaque plus ou moins fugace pouvant conduire à un arrêt cardio-circulatoire, puis à une mort subite si elle n'est pas prise en charge rapidement.
Asymptomatique chez environ 50 % des patients, la TdP est causée par un allongement de l'intervalle QT?L’intervalle QT désigne le laps de temps qui sépare les ondes Q et T sur le tracé d’un électrocardiogramme.. Le risque de ce trouble peut être héréditaire (syndrome du QT long congénital, CLQTS) ou acquis, c’est-à-dire, provoqué par la prise d’un médicament, dont certains antiarythmiques, des antipaludiques comme la chloroquine, ou encore certains types d’antidépressifs et d’antibiotiques.
Actuellement, le diagnostic de la TdP repose principalement sur l’observation de l’allongement de l’intervalle QT détecté par un ECG. Cependant, cette méthode reste insuffisante et peu efficace, notamment pour la plupart des médecins qui prescrivent ces médicaments, et qui, n’ayant pas un accès immédiat à une consultation d’expert en cardiologie, sont dans l’incapacité de quantifier correctement le risque de TdP chez leurs patients.
© Edi Prifti
L'intelligence artificielle appliquée à la prédiction du risque
DeepECG4U est une méthode originale qui cherche, à partir de l’intelligence artificielle, à identifier les altérations dans l’ECG pour prédire le risque relatif de développer une TdP. En facilitant l’interprétation des données issues des ECG, le DeepECG4U améliore la précision de l’évaluation des risques.
Grâce à l’apprentissage profond « deep learning », une approche de l’IA permettant d’imiter l’apprentissage cognitif, les algorithmes du DeepECG4 sont entrainés à partir de données anonymisées leur permettant de créer des modèles. Les résultats sont encourageants : dans sa phase expérimentale le modèle a déjà montré la capacité de détecter, lors du couplage avec l’ECG du patient, des paramètres de risque pouvant conduire à un événement de TdP, voire d’identifier si sa cause est congénitale ou médicamenteuse.
Aussi, l’outil découvre sur l’ECG et fournit aux cliniciens des informations détaillées décrivant le profil de risque et rendant la prédiction interprétable. Enfin, les connaissances apprises par l’IA permettent de proposer de nouvelles stratifications des patients pouvant améliorer leur prise en charge.
Un brevet issu d’une collaboration multidisciplinaire
Fruit d’une collaboration entre l’IRD, Sorbonne Université et l’APHP, DeepECG4U a été développé par une équipe multidisciplinaire dirigée par Edi Prifti (IRD/SU UMMISCO), expert en intelligence artificielle et le Dr Joe-Elie Salem (SU/APHP), cardiologue.
L’invention a fait l’objet d’un brevet sélectionné parmi les « brevets prometteurs » des Rencontres de Transfert de Technologies de l'AP-HP - APinnov 2021.
En 2020, le projet a été lauréat d’un financement ANR impliquant de nouveaux partenaires tels que l’université de Vanderbilt (USA), qui permettront l’accès à des données pour améliorer davantage l’apprentissage du modèle. Actuellement, une cohorte multicentrique est en cours de recrutement dans les hôpitaux parisiens dans l’objectif de tester et valider le système.
Des applications accessibles à tous
L’un des objectifs du projet est de coupler cette IA à des dispositifs d’acquisition d’ECG abordables pour permettre une utilisation à large échelle. Des partenariats avec les pays du Sud sur différents continents sont envisagés, pour d’une part améliorer ces modèles et de l’autre rendre leur utilisation accessible dans les systèmes de santé respectifs.
