La fibrillation anuriculaire est l’arythmie cardiaque soutenue la plus fréquente chez les adultes et est associée à un risque accru d’accident vasculaire cérébral, d’insuffisance cardiaque, de déclin cognitif, d’hospitalisations et de décès. L’apprentissage profond appliqué aux électrocardiogrammes (ECG-AI) est une approche émergente pour prédire la fibrillation ou le flutter atrial (FA). Nous présentons un modèle ECG-AI à poids ouverts développé à l’Institut de Cardiologie de Montréal (ICM) et validé de manière externe en utilisant l’ensemble de données MIMIC-IV, en comparant sa performance avec les modèles cliniques et les scores polygéniques pour la FA (PGS).
Les ECG en rythme sinusal de l’Institut de Cardiologie de Montréal ont été analysés, en excluant ceux des patients avec une FA préexistante. Le critère principal était la survenue de FA incidente à 5 ans. Un modèle ECG-AI a été développé en divisant les patients en ensembles de données non chevauchants : 70% pour l’entraînement, 10% pour la validation et 20% pour le test. La performance des modèles ECG-AI, cliniques et PGS a été évaluée dans l’ensemble de test. Le modèle ECG-AI a été validé de manière externe dans l’ensemble de données hospitalier Medical Information Mart for Intensive Care-IV (MIMIC-IV).
Un total de 669 782 ECGs provenant de 145 323 patients a été inclus. L’âge moyen était de 61±15 ans, et 58% étaient des hommes. Le critère principal a été observé chez 15% des patients et le modèle ECG-AI a montré une aire sous la courbe ROC (AUC) de 0,78. Dans l’analyse en temps jusqu’à l’événement incluant le premier ECG, l’inférence de risque élevé par ECG-AI a identifié 26% de la population avec un risque de FA incidente multiplié par 4,3 (IC 95% : 4,02–4,57).
Dans une analyse de sous-groupe de 2 301 patients, ECG-AI a surpassé CHARGE-AF (AUC=0,62) et PGS (AUC=0,59). L’ajout de PGS et CHARGE-AF à ECG-AI a amélioré l’ajustement du modèle (test du rapport de vraisemblance p<0,001), avec des changements minimaux de l’AUC (0,76-0,77).
Les cartes de saillance ont mis en évidence la zone de l’onde P comme ayant la plus grande influence sur la prédiction du modèle.
Le code associé nécessaire pour exécuter le modèle ResNet-50 entraîné utilisé dans cette étude est disponible sur GitHub. Le modèle ECG-AI est également mis à disposition du public. Veuillez visiter notre dépôt :https://github.com/HeartWise-AI/ecg-ai-af-mhi
Poids du modèle : https://huggingface.co/heartwise/ecgAI_AF_MHI