L’électrocardiogramme (ECG) est un examen à la réalisation rapide, y compris dans l’urgence. Il est non invasif, peu coûteux, et standardisé. Il reproduit sous forme d’un tracé les variations électriques du cœur. Il est « facile » d’apprendre à interpréter un ECG, même si les interprétations fines relèvent de l’expérience, l’analyse est standardisée. Les appareils proposent depuis de longue date une interprétation rapide du tracé, souvent controversée par l’œil de l’expert.

Néanmoins, la sensibilité de l’œil humain a ses limites. L’intelligence artificielle (IA) a alors commencé à envahir le créneau de l’interprétation de l’ECG. Qu'en est-il réellement aujourd’hui ?

L’analyse de l’ECG par une IA fait appel à l’apprentissage automatique qui permet d’identifier des relations à partir de données. Plusieurs modèles sont en cours d’étude et donnent des résultats intéressants. Voici quelques exemples :

• Attia and al se sont appesantis sur la détection ECG de patients présentant une fraction d’éjection ventriculaire gauche réduite (au global, la recherche d’une insuffisance cardiaque gauche). L’intérêt est majeur puisqu’il s’agit de détecter précocement l’insuffisance cardiaque, grande pourvoyeuse de morbimortalité. Les résultats sont intéressants mais restent toutefois à conforter.

L’équipe de Zheng et al a réalisé un travail similaire

• Galloway and al ont quant à eux évaluer la performance d'un modèle d'apprentissage profond dans la détection de l'hyperkaliémie à partir de l'ECG chez des patients insuffisants rénaux chronique. En effet, il est notoire que l’analyse de l’ECG ait une sensibilité médiocre pour la détection de l’hyperkaliémie. Sur leur modèle qui reste toutefois à tester de manière prospective et multicentrique, l’IA fait mieux que l’œil humain. Prometteur !

• La reconnaissance d’un SCA ST+ (infarctus du myocarde) est là aussi bien maîtrisée par Mincholé and al, mais encore Faganeli & Jager, avec des sensibilités allant de 87.5% pour l’un et 98.1% pour l’autre.

• Acharya and al on travaillé sur le diagnostic de plusieurs groupes de pathologies cardiaques : cardiomyopathie ischémique ou dilatée, bloc cardiaque complet, syndrome des sinus malades, Fibrillation auriculaire (FA) et ont atteint une précision de 85-95% en utilisant quatre caractéristiques de variabilité du rythme cardiaque.

Une des grandes limites actuelles de ces études est que la plupart ont été effectuées de manière rétrospective, avec des ECG « papiers » présents dans des bases de données, autrement dit scannés pour être informatisés. L’ECG numérique devrait aujourd’hui être généralisé et utilisé dans toute étude prospective. Dans tous les cas, l’utilisation de l’IA dans l’analyse de l’ECG apporte une nouvelle dimension à cet examen à la fois pratique et largement disponible. Il me semble inévitable que dans les années à venir, l’analyse de l’ECG telle qu’on la connaît soit radicalement transformée.

‍