Détection et classification des arythmies cardiaques par un modèle de réseau neuronal profond de pointe lors d'un défi

Les électrocardiogrammes (ECG) sont largement utilisés en clinique pour détecter les arythmies cardiaques (AC). Ils sont également exploités pour développer des méthodes assistées par ordinateur en vue du diagnostic des maladies du cœur. Nous avons conçu un modèle de réseau de neurones convolutif afin de détecter et classer les AC, en utilisant un grand jeu de données ECG à 12 dérivations (6 877 enregistrements) fourni par le China Physiological Signal Challenge (CPSC) 2018. Notre modèle, classé en tête du concours, a atteint un score F1 global médian de 0,84 pour la classification en neuf types d’AC sur l’ensemble de test caché du CPSC2018, comprenant 2 954 enregistrements ECG. Une analyse approfondie a montré que les AC concomitantes étaient suffisamment prédictives pour 476 patients présentant plusieurs types de diagnostic d’AC dans le jeu de données. L’utilisation uniquement des données à une seule dérivation a permis une performance légèrement inférieure à celle obtenue avec les données complètes à 12 dérivations, les dérivations aVR et V1 s’imposant comme les plus significatives. Nous discutons en détail ces résultats dans le contexte de leur concordance et de leur pertinence par rapport aux observations cliniques.