Cette étude présente la contribution de notre équipe, PathToMyHeart, au défi PhysioNet George B. Moody 2022. Deux modèles ont été mis en œuvre. Le premier modèle est un réseau résiduel bayésien dual (DBRes), dans lequel chaque enregistrement patient est segmenté en spectrogrammes log-mel chevauchants. Ces derniers subissent deux classifications binaires : « présent vs inconnu ou absent » et « inconnu vs présent ou absent ». Les résultats de ces classifications sont ensuite agrégés pour déterminer la classification finale du patient. Le second modèle consiste en la sortie du DBRes intégrée aux données démographiques et aux caractéristiques du signal à l’aide de XGBoost. Le DBRes a atteint notre meilleur taux de précision pondérée de $0{,}771$0,771 sur l’ensemble de test caché pour la classification des souffles, ce qui nous a classés quatrièmes pour la tâche de classification des souffles. (Pour la tâche de prédiction des issues cliniques, que nous avons négligée, nous avons obtenu la 17e place avec un coût de $12\,637$12637.) Sur notre sous-ensemble conservé du jeu d’entraînement, l’intégration des données démographiques et des caractéristiques du signal a amélioré la précision du DBRes de $0{,}762$0,762 à $0{,}820$0,820. Toutefois, cela a entraîné une baisse de la précision pondérée du DBRes, passant de $0{,}780$0,780 à $0{,}749$0,749. Nos résultats démontrent que les spectrogrammes log-mel constituent une représentation efficace des enregistrements de sons cardiaques, que les réseaux bayésiens offrent de fortes performances en classification supervisée, et que traiter la classification ternaire comme deux classifications binaires successives améliore les performances en termes de précision pondérée.