Le rôle de l'analyse automatique de l'électrocardiogramme (ECG) en pratique clinique est limité par la précision des modèles existants. Les réseaux neuronaux profonds (DNNs) sont des modèles composés de transformations superposées qui apprennent les tâches par exemples. Cette technologie a récemment connu un succès remarquable dans diverses tâches et il y a de grandes attentes quant à la manière dont elle pourrait améliorer la pratique clinique. Nous présentons ici un modèle DNN formé sur un ensemble de données comprenant plus de 2 millions d'examen ECG étiquetés, analysés par le Réseau de Télésanté du Minas Gerais et collectés dans le cadre de l'étude CODE (Clinical Outcomes in Digital Electrocardiology). Le DNN surpassait les médecins résidents en cardiologie dans la reconnaissance de six types d'anomalies dans les enregistrements ECG à 12 dérivations, avec des scores F1 supérieurs à 80 % et une spécificité dépassant 99 %. Ces résultats indiquent que l'analyse d'ECG basée sur les DNNs, précédemment étudiée dans une configuration mono-dérivation, se généralise bien aux examens à 12 dérivations, rapprochant ainsi cette technologie des pratiques cliniques standards.