Utilisation de réseaux de neurones convolutifs profonds pour prédire l’âge des patients à partir d’ECG sur un cohort de test indépendant

L’électrocardiographie est l’une des méthodes les plus couramment utilisées pour évaluer les maladies cardiovasculaires. Toutefois, au cours de la dernière décennie, il a été démontré que les réseaux de neurones convolutifs profonds (CNN) peuvent extraire des informations à partir de l’électrocardiogramme (ECG) allant au-delà des diagnostics traditionnels, par exemple en prédisant l’âge d’un individu. Dans cette étude, nous avons entraîné deux réseaux CNN à une dimension différents sur des jeux de données ouverts afin de prédire l’âge à partir de l’ECG d’un patient.Les modèles ont été entraînés et validés à l’aide d’enregistrements ECG à 12 dérivations de 10 secondes, rééchantillonnés à 100 Hz. Un total de 59 355 ECGs a été utilisé pour l’entraînement et la validation croisée, tandis que 21 748 ECGs provenant d’un cohort distinct ont servi de jeu de test. Nous avons comparé les performances obtenues sur la validation croisée avec celles observées sur le jeu de test. Par ailleurs, nous avons utilisé des annotations de cardiologues concernant les conditions cardiovasculaires afin de catégoriser les patients du jeu de test, afin d’évaluer si certaines affections cardiaques entraînent des écarts plus importants entre l’âge prédit par le CNN et l’âge chronologique.Le meilleur modèle CNN, basé sur une architecture Inception Time, a montré une baisse significative de performance, en termes d’erreur absolue moyenne (MAE), passant de la validation croisée sur le jeu d’entraînement (7,90 ± 0,04 années) à la performance sur le jeu de test (8,3 années). En revanche, l’erreur quadratique moyenne (MSE) s’est améliorée, passant du jeu d’entraînement (117,5 ± 2,7 années²) au jeu de test (111 années²). Nous avons également observé que la condition cardiovasculaire présentant la plus forte déviation entre l’âge prédit et l’âge biologique, en termes de MAE, était celle des patients présentant un rythme de stimulation (10,5 années), tandis que les patients présentant un intervalle QT prolongé affichaient la plus faible déviation (7,4 années) en termes de MAE.Ce travail contribue aux connaissances existantes sur la prédiction de l’âge à l’aide de CNN profonds sur les ECGs en mettant en évidence la performance d’un modèle entraîné sur un jeu de données et évalué sur un jeu provenant d’un cohort distinct.