Une approche basée sur un réseau de neurones convolutif pour détecter une insuffisance cardiaque congestive

L’insuffisance cardiaque congestive (ICc) est un trouble pathophysiologique grave associé à une prévalence élevée, des taux de mortalité importants et des coûts persistants pour les soins de santé, ce qui exige des méthodes efficaces pour son dépistage. Malgré les avancées récentes dans des approches fondées sur le traitement avancé des signaux et l’apprentissage automatique, le potentiel des modèles à réseaux de neurones convolutifs (CNN) pour la détection automatique de l’ICc est resté largement sous-exploité jusqu’à présent. Cette étude comble cette lacune importante en proposant un modèle CNN capable d’identifier avec précision l’ICc à partir d’un seul battement cardiaque enregistré par électrocardiogramme (ECG), tout en comparant ses performances aux méthodes existantes fondées habituellement sur la variabilité de la fréquence cardiaque. Le modèle a été entraîné et testé sur des jeux de données ECG publiques, comprenant au total 490 505 battements cardiaques, atteignant ainsi une précision de détection de l’ICc de 100 %. Plus important encore, le modèle identifie également les séquences de battements cardiaques et les caractéristiques morphologiques de l’ECG qui sont discriminantes entre les classes, et donc particulièrement pertinentes pour la détection de l’ICc. Globalement, cette contribution représente une avancée significative de la méthodologie actuelle de détection de l’ICc, tout en répondant aux besoins des praticiens cliniques en offrant un outil précis et entièrement transparent pour appuyer les décisions relatives au diagnostic de l’ICc.