Advanced ECG analysis for the extraction of cardiac mechanical dispersion biomarkers

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