L’interprétation informatisée de l’électrocardiogramme (ECG) joue un rôle fondamental dans le flux clinique d’ECG. La disponibilité généralisée des données ECG numériques et le paradigme algorithmique du deep learning offrent une opportunité de considérablement améliorer la précision et la scalabilité de l’analyse automatisée des ECG. Toutefois, aucune évaluation complète d’une approche de deep learning end-to-end pour l’analyse des ECG, couvrant une large variété de catégories diagnostiques, n’avait été précédemment rapportée. Dans cette étude, nous avons développé un réseau neuronal profond (DNN) capable de classifier 12 classes de rythmes à partir de 91 232 ECGs monolatéraux provenant de 53 549 patients ayant utilisé un dispositif d’ECG ambulatoire monolatéral. Lorsqu’évalué sur un jeu de test indépendant annoté par un comité de consensus de cardiologues diplômés et exerçant en pratique clinique, le DNN a atteint une moyenne de l’aire sous la courbe ROC (receiver operating characteristic) de 0,97. Le score F1 moyen du DNN (0,837) a dépassé celui des cardiologues moyens (0,780), ce dernier étant défini comme la moyenne harmonique de la valeur prédictive positive et de la sensibilité. En maintenant la spécificité fixée au niveau moyen atteint par les cardiologues, la sensibilité du DNN a dépassé la sensibilité moyenne des cardiologues pour toutes les classes de rythmes. Ces résultats démontrent qu’une approche de deep learning end-to-end peut classifier une large gamme d’arythmies distinctes à partir d’ECGs monolatéraux avec une performance diagnostique élevée, comparable à celle des cardiologues. Si ces résultats sont confirmés dans des contextes cliniques réels, cette approche pourrait réduire le taux d’interprétations erronées des ECG automatisés et améliorer l’efficacité de l’interprétation humaine par des experts, en permettant un triage précis ou une priorisation des conditions les plus urgentes.Jeux de données disponibles à l’adresse : https://irhythm.github.io/cardiol_test_set/