Le projet ANR de Recherche Collaborative intitulé : « DeepECG4U – Identification Of Patients At Risk Of Torsade De Pointes, A Life-Threatening Arrhythmia Using Ecg And Deep Learning » dont IBISC est partenaire a été accepté par l’ANR !«
Résumé :
Certaines maladies cardiovasculaires (par exemple le syndrome congénital du QT long, cLQTS) ou le syndrome du QT long induit par les médicaments (diLQTS), peuvent provoquer une forme particulière d’arythmie ventriculaire appelée Torsade de Pointes (TdP), qui peut dégénérer entraînant la mort. Il existe trois formes principales de cLQTS : le type 1, causé par des mutations dans les gènes des canaux cardiaques conduisant au blocage du courant des IKs; le type 2, blocage des IKr et le type 3, activation des INaL. Sur l’électrocardiogramme (ECG), l’intervalle QT est prolongé dans toutes ces conditions, mais les formes d’onde de l’ECG présentent des spécificités. La plupart des médicaments responsables du diLQTS et éventuellement de la TdP, peuvent être identifiés en évaluant s’ils agissent sur ces mécanismes physiologiques. Les organismes de réglementation exigent que les nouveaux médicaments fassent l’objet d’études approfondies sur l’intervalle QT. Il est cependant établi que l’intervalle QT est peu prédictif de la TdP. La prédiction du risque de TdP et la caractérisation des mécanismes moléculaires impliqués sont d’un intérêt majeur pour les patients suspectés d’être porteurs de cLQTS comme pour les autres patients recevant des médicaments susceptibles de provoquer la TdP. C’est également un problème majeur pour l’industrie pharmaceutique lorsqu’elle développe de nouveaux médicaments. Enfin, la plupart des médecins qui prescrivent ces médicaments sont dans l’incapacité de quantifier correctement l’intervalle QT ou d’évaluer le risque de TdP et n’ont pas un accès immédiat à une consultation d’expert en cardiologie.
La prédiction personnalisée automatisée du risque de TdP des patients cLQTS ou diLQTS, peut améliorer la précision de l’évaluation du médecin et réduire le risque d’événements indésirables. Nous visons ici à développer un tel outil utilisant l’intelligence artificielle (IA), qui est en train d’atteindre rapidement la pratique médicale. L’apprentissage profond (AP) en particulier a apporté un changement radical dans le domaine de la reconnaissance des formes et de l’apprentissage machine lui-même, améliorant la plupart des modèles antérieurs telles que la classification des images et le traitement du langage naturel. Plus précisément, en cardiologie, l’AP a récemment été utilisée pour plusieurs applications, notamment la détection de divers types d’arythmies courantes telles que la fibrillation auriculaire, l’infarctus du myocarde, etc. Cependant, son utilisation pour prédire les événements de TdP dans un contexte médicamenteux et congénital n’a pas encore été explorée. Dans ce projet, nous utiliserons ces algorithmes pour améliorer la précision, mais aussi pour fournir aux cliniciens de nouvelles stratification des patients. Enfin, nous rechercherons à améliorer l’interprétabilité des modèles et par conséquent la compréhension des mécanismes moléculaires sous-jacents à la TdP. Au sein du consortium, nous avons déjà exploré l’AP dans ce contexte et nos résultats préliminaires sont très encourageants. L’objectif du projet est de faire progresser ce sujet de recherche et de créer une application translationnelle déployé dans plusieurs services de cardiologie pilotes..
- Date de début du projet : 01/03/2021
- Durée du projet : 48 mois
- Porteur du projet coté IBISC : Blaise HANCZAR (PR Univ. Évry, IBISC équipe AROBAS)
- Financements pour IBISC : 70,3 kEuros
- Porteur du projet : Edi PRIFTI (UMMISCO IRD)
- Partenaires institutionnels de IBISC : UMMISCO IRD, CIC – INSERM, U1166 – INSERM, Vanderbilt University
