L'évaluation du risque d'insuffisance cardiaque à l'aide des signaux d'intervalles RR à court terme

L'insuffisance cardiaque (IC) est l'incapacité du cœur à pomper suffisamment de sang pour répondre aux demandes métaboliques ou pour assurer le retour veineux. Une fois le diagnostic de l'IC établi, les experts cliniques doivent déterminer la gravité de l'affection en temps utile afin de déterminer le meilleur traitement à suivre. Nous proposons un nouveau modèle basé sur l'apprentissage profond pour classer la sévérité de l'insuffisance cardiaque en trois classes distinctes en utilisant un signal d'intervalles RR à court terme. Les signaux d'intervalles R-R utilisés dans cette étude rétrospective proviennent de deux bases de données accessibles en ligne. Ils sont fréquemment imparfaits en raison d'un nombre variable de battements ectopiques et d'artefacts. Pour cette raison, ils sont soumis à un filtrage du tracé de Poincaré. Trois filtres sont appliqués: le filtre d'annotation, le filtre carré et le filtre quotient. Nous proposons un réseau de neurones convolutif (CNN) profond à 10 couches qui prend comme entrée un vecteur de 100 intervalles RR. Le modèle se compose de quatre couches convolutionnelles, de trois couches de max-pooling et de trois couches entièrement connectées. La couche convolutionnelle est composée d'un nombre fixe de filtres et est utilisée pour extraire les cartes des caractéristiques. La couche de max-pooling, qui prend la valeur maximale dans une région de filtre spécifique, est utilisée pour réduire la dimensionnalité du réseau. La couche entièrement connectée, qui est généralement placée avant la couche de sortie, est utilisée pour agréger les données de la carte finale des caractéristiques et générer la classification finale. Le modèle est validé en utilisant une validation croisée stratifiée 10 fois sur l'ensemble des données. Le modèle présenté atteint une précision moyenne de 94 %, une sensibilité moyenne de 90 % et une spécificité moyenne de 96 % pour différencier les trois classes. Les résultats démontrent que le modèle proposé surpasse les méthodes existantes, et est plus léger, avec ses 10 couches. Apprentissage profond ; Classification multi-classes ; Réseau de neurones convolutif ; Insuffisance cardiaque ; Signaux d'intervalle R-R ; Classification de NYHA Les auteurs déclarent ne pas avoir de liens d'intérêts.