ECG. Intelligence artificielle

Cet article fait le point sur la performance de l’intelligence artificielle pour l’aide à l’interprétation d’un ECG.

Depuis la commercialisation des électrocardiographes en 1911, les Sociétés savantes (AHA 2009) [1] et les experts (Minnesota code) ont proposé des définitions pour les valeurs normales des paramètres électrophysiologiques de la contraction cardiaque comme la fréquence des battements, l’axe du cœur et l’intervalle QT mais aussi des critères pour reconnaître par exemple un bloc de branche, une fibrillation atriale, une hypertrophie, un pacemaker, une séquelle ou un infarctus du myocarde… (Cf. ECG normal).

Algorithme (machine)

Les fabricants d’électrocardiographes ont alors construit puis vendu des algorithmes (Glasgow v28,  Philips DXL16, General electrique 12SL, Mortara Veritas) capables de mesurer automatiquement les paramètres électrophysiologiques de la contraction cardiaque et d’identifier les troubles de l’automatisme, de la conduction et certaines maladies du muscle. Grâce à un travail considérable, ces algorithmes ont obtenu une autorisation de mise sur le marché en Europe (UE) ou aux états-unis FDA), mais ils ont été très peu étudiés ou comparés les uns et autres, sauf dans de rares cas [7], et le service qu’ils rendent en temps réel versus l’interprétation humaine est de façon unanime insuffisant dans les situations d’urgence ou en cas de tracés complexes, brefs là où c’est le plus utile…

Attention quand même ! Il est prouvé que l’interprétation proposée par une machine influence le lecteur, qu’il soit cardiologue ou non [1][3]. Quand l‘ordinateur a raison, il nous influence positivement car il peut nous aider à faire de meilleures interprétations. Mais l’inverse est vrai : quand l’ordinateur a tort, il peut nous égarer et les conséquences peuvent être redoutables.

  • manque de sensibilité (faux négatifs nombreux) : réfutation d’une hypothèse diagnostique et donc retard au diagnostic ou au traitement…
  • manque de spécificité (faux positifs nombreux) : égarement vers des fausses pistes et donc examens inutiles générateurs de coût, de stress et parfois aussi de traitements inutiles… Le diagnostic erroné de la fibrillation atriale en est un exemple [4].

Il faudra donc rester prudent, c’est à dire posséder de bonnes connaissances en ECG et les entretenir, améliorer son interprétation à l’aide des données cliniques/biologiques, de la répétition/comparaison des ECG dans le temps, et surtout garder un sens critique… ce que ne peuvent pas (encore) faire les systèmes d’interprétation actuels. Le recours à un expert est une attitude prudente dans les cas difficiles, mais la ressource est rare [2].

Intelligence artificielle (cloud)

Les méthodes d’intelligence artificielle (Artificial Neural Networks; Support Vector Machines; Hidden Markov Models; Kalman Filtering) qui utilisent le big data (banque d’images de taille considérable) et la puissance de calcul du « cloud » supplantent progressivement toutes les méthodes d’interprétations de l’ECG fournies par les constructeurs (« built-in algorithms ») qui reposent sur différentes mesures (entre deux points pour la plus part) et la reconnaissance de patterns (Electrocardiogram Pattern Recognition) par des algorithmes (softwares de puissance limitée, mal évalués et non mis à jour après la date d’achat).

Vidéo YouTube (P. Taboulet 19 min). Interprétation automatisée des ECG utile pour le diagnostic d’infarctus ? Les algorithmes proposés par les constructeurs et fournit avec l’achat d’une machine (software) ont obtenu leur autorisation de mise sur le marché en Europe (UE) ou aux états unis FDA) grâce à l’obtention d’une performance minimum – pour la mesure de paramètres électrophysiologiques élémentaires et la reconnaissance de troubles du rythme ou de certaines maladies du muscle (par comparaison avec des bases de données imposées). Mais ces algorithmes ont été très peu étudiés ou comparés les uns et autres et le service qu’ils rendent en temps réel versus l’interprétation humaine est de façon unanime insuffisant dans les situations d’urgence ou en cas de tracés complexes, brefs là où c’est le plus utile… Qu’en est-il en particulier dans le cas du syndrome coronaire aigu ? Et quel peut être l’apport de l’intelligence artificielle (neural network et big data) dans cette situation ?

[1] Martínez-Losas P, Higueras J, Gómez-Polo JC, et al. The influence of computerized interpretation of an electrocardiogram reading. Am J Emerg Med. 2016 Oct;34(10):2031-2032. 123 participants were included in the study; majority of them were primary care and emergency physicians.  1.A correct automated interpretation, in comparison of not using it, had an odds ratio of a better diagnostic success of 2.09 (95% confidence interval, 1.52-2.87; P < .001). 2.Meanwhile, the use of an incorrect interpretation had an odds ratio of 0.33 (95% confidence interval, 0.23-0.47; P b .001).

[2] Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations. J Am Coll Cardiol. 2017 Aug 29;70(9):1183-1192. (téléchargeable) –> A formal process of over-reading of all ECGs by cardiologists, or ECG-trained and ECG-tested physicians or paramedics, should be the rule and routinely applied in hospitals and clinics (5,16). Ideally, a clear delivery and routing system has to be organized, with overreading of the ECG and rapid transmission to the patient’s chart (16). When not possible, an alternative approach would be collaboration with an outside, centralized ECG interpretation service

[3] Xue J, Aufderheide T, Scott Wright R, et al. Added value of new acute coronary syndrome computer algorithm for interpretation of prehospital electrocardiograms. J Electrocardiol. 2004;37 Suppl:233-9. (voir ci-dessous)

[4] Lindow T, Kron J, Thulesius H, Ljungström E, Pahlm O. Erroneous computer-based interpretations of atrial fibrillation and atrial flutter in a Swedish primary health care setting. Scand J Prim Health Care. 2019 Dec;37(4):426-433. (téléchargeable) –> excellente étude et revue de littérature In a Swedish primary care setting, computer-based ECG interpretations of atrial fibrillation or atrial flutter were incorrect in 89 of 988 (9.0%) consecutive cases. Incorrect computer diagnoses of atrial fibrillation or atrial flutter were not corrected by the primary-care physician in 47% of cases. In 12 of the cases with an incorrect computer rhythm diagnosis, misdiagnosed atrial fibrillation or flutter led to inappropriate treatment with anticoagulant therapy.

[5] AHA/ACCF/HRS Recommendations for the Standardization and Interpretation of the Electrocardiogram : Kligfield P, Gettes LS, Bailey JJ, et al. Recommendations for the standardization and interpretation of the electrocardiogram, part I: the electrocardiogram and its technology: a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society. Circulation. 2007; 115: 1306–24. 2 Mason JW, Hancock EW, Gettes L, et al. Recommendations for the standardization and interpretation of the electrocardiogram, part II: electrocardiography diagnostic statement list: a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society. Circulation. 2007; 115: 1325–32. 3. Surawicz B, Childers R, Deal BJ, et al. AHA/ACCF/HRS recommendations for the standardization and interpretation of the electrocardiogram: part III: intraventricular conduction disturbances: a scientific statement from the American Heart Association Electrocardiography and Arrhythmias Committee, Council on Clinical Cardiology; the American College of Cardiology Foundation; and the Heart Rhythm Society: endorsed by the International Society for Computerized Electrocardiology. Circulation. 2009;119(10):e235–e240. (téléchargeable)

[7] Garvey JL, Zegre-Hemsey J, Gregg R, Studnek JR. Electrocardiographic diagnosis of ST segment elevation myocardial infarction: An evaluation of three automated interpretation algorithms. J Electrocardiol. 2016 Sep-Oct;49(5):728-32. (téléchargeable) –> There were 500 records analyzed resulting in a case group with 151 patients and a control group with 349 patients. Sensitivities differed between AGs (AG1=0.69 vs AG2=0.68 vs AG3=0.62)… Specificities also differed between AGs (AG1=0.89 vs AG2=0.91 vs AG3=0.95). similar to Kudenchuk JACC 1991

 

 

Large bibliographie sur les méthodes d’intelligence artificielle (abonnés)


La suite est réservée aux membres du site.
Connexion | Devenir membre