Analyse approfondie de l'ECG pour l'extraction de biomarqueurs de la dispersion mécanique cardiaque

Advanced ECG analysis for the extraction of cardiac mechanical dispersion biomarkers

• Auteur / Autrice : Mously Diaw
• Direction : Jacques Felblinger, Julien Oster
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 10/12/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie adaptative diagnostique et interventionnelle (Nancy)
• Jury : Président / Présidente : Fabienne Porée
• Jury : Examinateurs / Examinatrices : Jacques Felblinger, Julien Oster, Laura Bear, Leif Sörnmo
• Jury : Rapporteurs / Rapporteuses : Laura Bear, Leif Sörnmo

Mots clés

Mots clés contrôlés

Diagnostic assisté par ordinateur

Maladies cardiovasculaires -- Diagnostic

Traitement du signal

Apprentissage automatique

Échocardiographie

Électrocardiographie

Mots clés libres

ECG

Echocardiographie

Apprentissage automatique

Traitement de signal

ECG

Echocardiography

Machine Learning

Signal Processing

Résumé

Cette thèse contribue à une meilleure évaluation de la cardiotoxicité des médicaments par l'analyse automatisée de l'électrocardiogramme (ECG). L'ECG est déjà centrale à la prédiction d'arythmie induite par les médicaments mais son utilisation pour la détection d'anomalies structurelles du cœur est limitée, auquel cas les techniques d'imagerie comme l'échocardiographie sont plutôt recommandées. Cette thèse aborde donc deux défis : (1) celui d'automatiser les méthodes existantes d'évaluation du risque proarythmique des médicaments et (2) celui d'étendre l'utilisation de l'ECG à la détection précoce d'anomalies structurelles du cœur. La première partie de la thèse s'intéresse à la mesure automatisée de l'intervalle QT, la prolongation du QT corrigé étant le principal biomarqueur ECG du risque proarythmique. A cette fin, un algorithme hybride est proposé pour améliorer la méthode classique du template matching par un traitement des signaux de corrélation croisée avec un simple réseau de neurones. Cette méthode hybride est comparable aux réseaux neuronaux convolutifs en termes de précision du QT, et offre, en plus, une meilleure efficacité computationnelle ainsi qu'une robustesse aux variations de distribution de données. Toujours dans cette première partie, une méthode simple pour estimer la fiabilité des mesures automatisées du QT est aussi proposée afin de réduire la charge de travail des experts ECG qui, jusque là, doivent systématiquement relire toute mesure automatisée. La deuxième partie de la thèse s'intéresse au diagnostic par ECG de l'hypertrophie ventriculaire gauche (HVG) et de la dysfonction systolique ventriculaire gauche (DSVG) subclinique, diagnostic crucial à la prévention de l'insuffisance cardiaque induite par les médicaments. Concernant le diagnostic de l'HVG, cette thèse montre que les modèles d'apprentissage profond de pointe offrent une faible sensibilité à haute spécificité, tout comme les critères ECG-HVG traditionnels. Cependant, la sensibilité du test ECG-HVG pourrait être améliorée grâce à une approche d'apprentissage automatique des systèmes de score de points. Concernant le diagnostic de la DSVG, cette thèse introduit des biomarqueurs ECG de l'hétérogénéité électrique du myocarde qui pourraient offrir une sensibilité et une spécificité élevées, ouvrant ainsi de nouvelles opportunités dans l'évaluation de la structure et de la fonction cardiaques à partir de l'ECG 12 dérivations.

This thesis advances the field of automated electrocardiogram (ECG) analysis, with a special focus on ECG-based detection of drug cardiotoxicity. While ECGs are crucial for predicting drug-induced arrhythmias, their use in detecting structural heart diseases is limited, in which case imaging techniques like echocardiography are recommended. This thesis thus addresses two key challenges: (1) automating existing methods for the evaluation of drug proarrhythmic risk and (2) extending the use of the ECG to the early detection of drug-induced structural heart diseases. The first part of the thesis focuses on automated QT interval measurement since heart rate-corrected QT prolongation is the primary ECG biomarker of proarrhythmic risk. To this end, a hybrid algorithm is proposed to improve the classical approach to statistical template matching by processing cross-correlation signals with a shallow neural network. This hybrid method matches convolutional neural networks in QT accuracy while offering improved computational efficiency and robustness to data distribution shifts. Additionally, a simple method for measuring the reliability of automated QT measurements is proposed to reduce the workload of expert ECG readers, who, so far, must review every automated measurement. The second part of the thesis focuses on ECG-based diagnosis of left ventricular hypertrophy (LVH) and subclinical left ventricular systolic dysfunction (LVSD), which is critical for preventing drug-induced heart failure. Regarding LVH diagnosis, this thesis shows that state-of-the-art deep learning models yield poor sensitivity at high specificity, similar to traditional ECG-LVH criteria. However, the sensitivity of the ECG-LVH test could be improved with a machine learning approach to point score systems. Regarding LVSD diagnosis, this thesis introduces novel ECG biomarkers of myocardial electrical heterogeneity that could yield both high sensitivity and specificity, thus offering new opportunities in the assessment of cardiac structure and function using the standard 12-lead ECG.