Des équipes de l’hôpital de la Pitié-Salpêtrière AP-HP, de l’IRD, de Sorbonne Université et de l’Inserm proposent une nouvelle méthode utilisant l’intelligence artificielle (IA) pour identifier les risques de développer l’arythmie cardiaque appelée Torsade de pointes. Ces travaux ont été publiés le 1er septembre 2021 dans l’European Heart Journal.
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, elle est identifiée sur les électrocardiogrammes (ECG) par sa configuration particulière à l’origine de son nom, présentant un allongement de l'intervalle QT (qui 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 ̶ on parle alors de syndrome du QT long congénital (cLQTS) ̶ ou acquis, c’est-à-dire provoqué par la prise d’un médicament, dont certains anti-arythmiques, des antipaludiques ou encore certains types d’antidépresseurs et d’antibiotiques.
Afin de fournir de nouveaux outils pour améliorer la prédiction de la survenue de torsades de pointe, des chercheurs de l’hôpital de la Pitié-Salpêtrière AP-HP, de l’IRD, de Sorbonne Université et de l’Inserm ont évalué l’efficacité d’une nouvelle méthode originale, appelée DeepECG4U, qui cherche à identifier les altérations dans l’électrocardiogramme.
Cette méthode repose sur le « deep learning » ou l’apprentissage profond, une approche de l’intelligence artificielle permettant d’imiter l’apprentissage cognitif. Les chercheurs ont donc utilisé les algorithmes du DeepECG4U pour entrainer des modèles de réseaux neuronaux convolutifs (CNN) à détecter certaines anomalies complexes sur l'électrocardiogramme de patients, liées à la prise de sotalol. Ce médicament, utilisé en prévention des récidives de certaines tachycardies, agit en inhibant le courant potassique ̶ appelé IKr ̶ mais peut aussi être responsable des torsades de pointe d'origine médicamenteuse.
Les chercheurs ont donc testé les modèles CNN sur des enregistrements d’électrocardiogrammes d’une cohorte d’environ 1 000 individus sains, avant et après la prise de sotalol. « Nous avons constaté que les modèles basés sur l’apprentissage profond surpassaient la performance des modèles utilisant seulement l’intervalle Q et T corrigé pour identifier le risque de torsade de pointe médicamenteuse », précise Edi Prifti, chercheur à l’IRD (UMI UMMISCO) en intelligence artificielle appliquée aux maladies complexes, premier auteur de l’étude.
Ces travaux ont fait l’objet d’un dépôt de brevet par l’AP-HP en 2019, en copropriété avec l’IRD, l’ICAN, l’Inserm, Sorbonne Université et Université de Paris, intitulé « Method for dectecting risk of torsades de pointes » (ref. PCT 2020WO-EP65562). L’équipe de scientifiques et de médecins prévoit de poursuivre ces travaux, avec un soutien de l’Agence nationale de la recherche (ANR).
