Les maladies cardiovasculaires (MCV) sont les maladies non-transmissibles les plus importantes en Europe, et l'électrocardiographie (ECG) est essentielle pour l'évaluation initiale et le suivi des patients atteints de troubles cardiaques. Il est donc nécessaire de développer un diagnostic et un traitement plus fiables et plus efficaces, qui soient basés sur une analyse multiparamétrique des données de l'ECG.
Objectifs
- Développer une nouvelle base de données de référence numérique permettant d’évaluer l’incertitude des méthodes
- Evaluer différentes méthodes de classification pour l’analyse avancée des données
- Rechercher les applications cliniques de l’analyse multiparamétrique des données
Résumé et résultats
L'ECG joue un rôle primordial pour évaluer les arythmies et les cardiopathies ischémiques, car il s’agit d’un outil non-invasif et rentable. Il est combiné avec d'autres mesures multi-paramétriques, telles que les tests sanguins et l'imagerie multi-modale. Une surveillance ECG continue est recommandée pour investiguer l’arythmie non-diagnostiquée (dite «silencieuse»), entraînant une grande quantité de données qui nécessitent des outils d'analyse automatisés pour la détection et la classification de l'arythmie. Le diagnostic médical, le traitement et la prévention des maladies cardiaques reposent sur des données multi-paramétriques, mais le diagnostic validé de l'arythmie cardiaque par analyse automatisée d'anomalies électrocardiographiques multi-paramétriques n'est pas encore possible.
Récemment, des techniques de diagnostic assisté par ordinateur ont été utilisées pour l'analyse de gros volumes de données de mesure. En particulier, les techniques d'apprentissage automatique ont l’avantage d'être rapides, économiques et automatiques, et présentent la possibilité d'examiner des caractéristiques invisibles à l'œil humain. Cependant, l’un des principaux défis de ces techniques consiste à étudier l’influence de l’incertitude des données et à évaluer celle de la technique elle-même. En particulier, les algorithmes d’apprentissage automatique reposent sur l’exactitude des données d’apprentissage. Toute donnée mal classée peut entraîner un comportement erroné, hautement imprévisible. Il est donc peu aisé d’inciter à la fois les professionnels de la santé et patients à la confiance en ces algorithmes, souvent très complexes. D'un point de vue réglementaire, il existe un fort besoin de validation métrologique des algorithmes utilisant des données de référence communes.
Cependant, l'incertitude des données de référence actuelles n'étant pas connue, son influence sur l'algorithme est imprévisible. L'évaluation quantitative de l'incertitude des approches modernes d'analyse de données, telles que l'apprentissage automatique, est essentielle pour leur acceptation en pratique clinique.
Le projet européen MedalCare avait pour but d’étudier les données de référence d’ECG d'une population virtuelle pouvant faire l'objet d'une évaluation statistique. La base de données ECG doit être représentative d'une population virtuelle avec une quantité suffisamment grande de traces ECG, y compris des variations saines et des pathologies.
Le projet a permis de générer une base de données de référence de signaux ECG synthétiques obtenus à partir de simulations dans une cohorte de modèles représentant la variabilité chez l'homme. La base de données synthétique contient un total de 16 900 ECG.
L’analyse de l'incertitude des données de référence a été réalisée en évaluant la sensibilité de différents paramètres sur les résultats de la modélisation biophysique, ce qui a abouti à une évaluation de l'incertitude des données ECG synthétiques.
Deux méthodes d'analyse de sensibilité ont été sélectionnées et mises en œuvre. L'une d'elles est basée sur l'extraction de caractéristiques et relie les changements des paramètres d'entrée des modèles biophysiques aux changements des caractéristiques de l'ECG. La deuxième méthode est une analyse combinée de la sensibilité aux paramètres d'entrée et de la quantification de l'incertitude pour la série chronologique complète de l'ECG et utilise un modèle de substitution basé sur l'expansion du chaos polynomial.
Le projet a permis d’évaluer et de comparer l'effet de différentes approches de classification axées sur l'analyse de l'incertitude dans deux directions : l'influence de l'incertitude des caractéristiques des données ECG sur la sortie de l'algorithme de classification et l'influence des données d'apprentissage mal étiquetées sur la sortie de la classification.
Enfin, une étude approfondie de l'application clinique de l'analyse de données multiparamétriques a été réalisée. Elle comprend la détection et la classification de l'ischémie et de l'arythmie cardiaques. Une comparaison des performances de médecins expérimentés avec des méthodes d'analyse de données multiparamétriques sera réalisée.
Impacts scientifiques et industriels
- Développement d’un ensemble de données de mesure synthétique sur l'ECG de référence.
- Traçabilité des techniques d'analyse des données de maladies cardiovasculaires.
- Aide aux fabricants pour le développement de nouveaux dispositifs ECG offrant une meilleure fiabilité du diagnostic de maladies cardiovasculaires.
Partenaires
PTB (Allemagne)
NPL (Royaume-Uni)
IMBiH (Bosnie Herzégovine)
Arrhythmia Alliance (Royaume-Uni)
Karlsruher Institut fuer Technologie (Allemagne)
King's College London (Royaume-Uni)
Medizinische Universität Graz (Autriche)
Technische Universität Berlin (Allemagne)