Les murmures sont des sons provoqués par un écoulement sanguin turbulent, souvent les premiers signes d'une maladie cardiaque structurelle. Ces sons sont détectés par auscultation du cœur à l'aide d'un stéthoscope, ou plus récemment par un phonocardiogramme (PCG). Notre objectif consiste à identifier la présence, l'absence ou les cas ambigus de murmures, ainsi qu'à prédire les issues cliniques normales ou anormales à partir de enregistrements PCG à l'aide d'apprentissage automatique.Nous avons entraîné et évalué deux réseaux de neurones à convolution 1D (CNN) sur un jeu de données PCG provenant d'une population pédiatrique de 1 568 individus. Un modèle était spécialisé dans la prédiction des murmures, tandis que l'autre visait à prédire les issues cliniques. Les deux modèles ont été entraînés pour produire des prédictions au niveau de chaque enregistrement, mais les prédictions finales ont été établies au niveau du patient (prédictions patient-par-patient).Ce papier décrit notre participation au défi PhysioNet George B. Moody 2022, dont l'objectif était d'identifier les murmures cardiaques et les issues cliniques à partir de PCGs. Notre équipe, Simulab, a entraîné un classificateur d'issues cliniques atteignant un score de coût du défi de 12 419 (classement 14e sur 39 équipes), tandis que le classificateur de murmures a obtenu une précision pondérée de 0,593 (classement 30e sur 40 équipes) sur l'ensemble de test.