Facile à réaliser, délicat à interpréter : l'électrocardiogramme peut bénéficier de l'assistance des outils informatiques. Il est maintenant possible d'acheter une montre qui, outre de donner l'heure, dispose d'un accéléromètre, d'un gyromètre, d'un cardiofréquencemètre, et dorénavant d'un électrocardiographe… Les électrocardiographes usuels, quant à eux, permettent d'effectuer depuis longtemps une lecture automatisée à laquelle les praticiens ne font pas toujours confiance, pour le moins…
En 2018, l'intelligence artificielle autonome a fait son entrée dans le domaine du diagnostic médical, la Food and drug administartion (FDA) ayant autorisé pour la première fois la commercialisation d'un logiciel capable d'établir seul un diagnostic de rétinopathie diabétique à partir de l'analyse de photos de fonds d'œil avec une précision comparable à celle d'un spécialiste…
Du machine learning au deep learning
De tels systèmes de diagnostic sont fondés sur les algorithmes d'apprentissage profond (deep learning). Le machine learning vise à entraîner un algorithme en se basant sur des exemples lors d'une phase d'apprentissage, avec pour objectif la construction d'un modèle prédictif lors de la phase dite de prédiction. Un réseau de neurones permet de modéliser les relations complexes entre les facteurs qui caractérisent les exemples.
Dans le cas du deep learning, l'entraînement préalable du réseau de neurones permet à l'algorithme d'effectuer des analyses complexes. Ce fonctionnement s'inspire de celui du cortex des mammifères. Dans une première phase dite d'apprentissage, ils sont entraînés à établir avec une grande fiabilité statistique des corrélations entre des milliers de données en entrée lorsqu'elles sont structurées comme des images médicales ou un électrocardiogramme, et des milliers de résultats en sortie. Les réseaux de neurones établissent ensuite un diagnostic, souvent avec une précision comparable à celle d'un expert.
Pour l'interprétation de l'électrocardiogramme ou du Holter, le principe consiste à reconnaître des signaux électriques. Ils sont comparés avec une banque de données. Cette technique est plus spécifique (82 %) que l'analyse des intervalles RR tout en ne perdant pas en sensibilité (96 %) [1,2].
Toujours en faisant appel à l'intelligence artificielle, il a également été possible de détecter une dysfonction ventriculaire gauche asymptomatique au sein de la population générale, comme des auteurs de la Mayo Clinic l'ont montré (3).
Ainsi, l'intelligence artificielle est en plein développement en cardiologie, avec des débouchés concrets et pratiques.
(2) Li J, Rapin J, Rosier A, et al. Deep neural networks improve atrial fibrillationdetection in Holter: first results. Eur J Prev Cardiol 2016;23:41.
(2) Smith S, Rapin J, Walsh B, et al. Improved Interpretation of Atrial Dysrhythmias bya New Neural Network Electrocardiogram Interpretation Algorithm. Acad Emerg Med2017;24:S235.
(3) Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med 2019;25:70-4.
Article précédent
Un lien avec le risque cardiovasculaire
Vers une prévention de la sténose aortique ?
La repolarisation, une question de genre ?
À la recherche de biomarqueurs
Ezh2, une cible thérapeutique potentielle
Un lien avec le risque cardiovasculaire
Un algorithme pour reconnaître la fibrillation atriale ?
Regards croisés
Euthanasie : le modèle belge est-il la solution pour la fin de vie ?
La rédaction retient quelques dates pour vous…
À l’école
Bientôt un nouveau PAI pour allergie
40 % manquent de calcium
Le lait se tarit chez l'enfant