Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

l'approche basée sur AI peut permettre à des ECG d'être employée pour trouver la cardiomyopathie hypertrophique

Une approche basée sur l'artificial intelligence (AI) peut permettre à des ECG d'être employée pour examiner pour la cardiomyopathie hypertrophique à l'avenir. Avec la cardiomyopathie hypertrophique, les parois de coeur deviennent épaisses et peuvent nuire la capacité du coeur de fonctionner correctement. La maladie prédispose également quelques patients aux rythmes anormaux potentiellement fatals. La technologie actuelle d'ECG a limité la puissance diagnostique pour cette maladie.

La recherche neuve de la Mayo Clinic propose qu'un réseau neuronal circonvolutionnaire AI puisse être formé pour trouver des caractéristiques invisibles de la cardiomyopathie hypertrophique. Le fil ECG de la norme 12 est un essai facilement disponible et bon marché qui peut être réalisé dans beaucoup de réglages, y compris ceux avec les moyens limités.

La cardiomyopathie hypertrophique peut underdiagnosed parce qu'elle souvent n'entraîne pas des sympt40mes. Les patients sont souvent inconscients ils l'ont jusqu'à ce qu'ils remarquent des complications, mais l'identification précoce peut être importante. La cardiomyopathie hypertrophique est l'une des principales causes de la mort subite dans les adolescents et les jeunes adultes participant aux sports.

Peter Noseworthy, M.D., un cardiologue de la Mayo Clinic, propose que l'AI pourrait offrir une méthode efficace et facilement disponible pour un diagnostic plus tôt de la cardiomyopathie hypertrophique par un ECG. M. Noseworthy est auteur supérieur sur une étude neuf publiée dans le tourillon de l'université américaine de la cardiologie : « Dépistage de la cardiomyopathie hypertrophique utilisant un électrocardiogramme Réseau-Activé neural circonvolutionnaire. »

Les chercheurs ont formé et ont validé un réseau neuronal circonvolutionnaire utilisant 12 le fil digital ECG de 2.448 patients connus pour avoir la cardiomyopathie hypertrophique et 51.153 qui n'ont pas fait, appariant les sujets témoins pour l'âge et le sexe. Ensuite ils ont vérifié la capacité de l'AI de trouver la maladie sur un groupe différent de 612 sujets avec la cardiomyopathie hypertrophique et de 12.788 sujets témoins.

Pour des tests diagnostique tels que ce réseau neuronal, le rendement diagnostique est mesuré mathématiquement par l'endroit sous la courbure de caractéristique de fonctionnement de récepteur, sur une échelle où 0,5 est mauvais (secousse d'une monnaie d'appoint) et 1,0 est excellent (test parfait). La mesure associe à la capacité du test de recenser correctement les patients qui ont la maladie (sensibilité), et de recenser correctement les patients qui n'ont pas la maladie (spécificité).

Pour la comparaison, un frottis typique du positif PAP aurait un endroit sous la courbure de 0,7 et une mammographie serait 0,85. L'étude a trouvé que la capacité de l'AI de déterminer des patients présentant la cardiomyopathie hypertrophique de ceux sans elle a eu un endroit sous la courbure de 0,96 - un facteur prédictif puissant.

Le bon rendement dans les patients avec un ECG normal est fascinant. Il est intéressant de voir que même un ECG normal peut sembler anormal à un réseau neuronal circonvolutionnaire. Ceci supporte le concept que ces réseaux trouvent les configurations qui se cachent dans la vue ordinaire. »

M. Peter Noseworthy, M.D., cardiologue de la Mayo Clinic

L'étude a également vérifié l'AI sur des sous-groupes. L'endroit sous la courbure pour la cardiomyopathie hypertrophique de prévision dans un groupe de patients diagnostiqués avec l'hypertrophie ventriculaire gauche, une maladie provoquée par l'hypertension qui également est caractérisée par l'épaississement de paroi de coeur, était 0,95. L'endroit sous la courbure dans le sous-groupe avec seulement des ECG normaux était également 0,95. L'endroit sous la courbure pour le sous-groupe de patients diagnostiqués avec le rétrécissement aortique (rétrécissement de la soupape) était 0,94. L'essai réalisé assimilé bien dans un sous-ensemble de patients qui avaient été génétiquement examinés et confirmés pour avoir des mutations pathogènes pour la maladie.

« Les sous-groupes sont importants pour comprendre comment appliquer le test. Il est bon de voir que l'AI exécute bien quand l'ECG est normal ainsi que quand il est dû anormal à l'hypertrophie ventriculaire gauche, » dit Konstantinos Siontis, M.D., un cardiologue résident chez la Mayo Clinic et le Co-premier auteur de l'étude. « Peut-être bien plus important est le fait que l'algorithme se soit comporté le plus bien dans le sous-ensemble plus jeune de patients dans notre étude (au-dessous de 40 années), qui met en valeur sa valeur potentielle en interviewant de plus jeunes adultes. »

Plus de recherche reste à faire, comme vérifier l'AI dans d'autres populations adultes, enfants et adolescents pour découvrir où cela fonctionne bien et où il défaille.

« C'est une validation de principe prometteuse, mais j'avertirais que, en dépit de son rendement puissant, n'importe quel test de dépistage pour un état relativement rare est destiné pour avoir des régimes élevés de faux positif et la valeur prévisionnelle positive basse dans une population globale. Nous devons toujours comprendre mieux quelles populations particulières tireront bénéfice de ce test comme outil de dépistage, » dit M. Siontis.

« Nous devons également apprendre plus au sujet de quelles caractéristiques spécifiques de la cardiomyopathie hypertrophique ce réseau trouve. Nous espérons apprendre comment s'appliquer cette technologie aux patients examinants et de managements dans les familles affectées par cette maladie, » ajoute M. Noseworthy.

Source:
Journal reference:

Ko, W-Y., et al. (2020) Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. Journal of the American College of Cardiology. doi.org/10.1016/j.jacc.2019.12.030.