Les cardiologues formés détectent la fibrillation auriculaire par l’interprétation visuelle de certains segments de lignes d’électrocardiogramme (EKG) connus sous le nom de complexe QRS. De même, les logiciels d’électrocardiogramme disponibles évaluent également les anomalies dans les signaux des dérivations de l’électrocardiogramme qui produisent les tracés/lignes afin de détecter la fibrillation auriculaire. Nous avons déjà montré que les méthodes d’apprentissage automatique parviennent à identifier les patients atteints de fibrillation auriculaire paroxystique (FAP) sur la base de leur ECG en rythme sinusal normal. Dans ce travail, nous allons au-delà des approches précédentes de type boîte noire et identifions des motifs spécifiques dans le complexe QRS d’un rythme sinusal normal qui sont associés à la fibrillation auriculaire. Nous avons mis en œuvre l’exploration de motifs fréquents sur des données d’électrocardiogrammes brutes de formes d’onde discrétisées afin de déterminer les motifs spécifiques aux patients atteints de FAP, en nous basant sur des enregistrements d’électrocardiogrammes de 1 minute de plomb 1 échantillonnés à 128 Hz provenant de 25 patients atteints de FAP et de 50 sujets sains d’un dépôt de données Physionet. Nous avons discrétisé les tracés EKG sous-échantillonnés (16 Hz) avec sept symboles correspondant à divers degrés de variabilité locale dans les tracés et avons sélectionné parmi les 1 306 motifs uniques à 4 symboles existants les 850 motifs apparaissant au moins 5 fois (pour atténuer les problèmes liés à la sparsité). La matrice de fréquence de motifs 75×850 qui en résulte représente la fréquence de chaque motif dans chacun des 75 patients et les sujets PAF ont été distingués sur la base d’une régression binaire de type Least Absolute Shrinkage and Selection Operator avec validation croisée 5 fois qui a sélectionné 50 des motifs (AUC = 0,95 ; 95 % C.I. 0,88-1,00 ; 94 % de spécificité, 88 % de sensibilité). Ces 50 schémas sont des candidats pour obtenir l' »empreinte digitale » de la FAP dans le rythme sinusal normal : par exemple, l’un des schémas sélectionnés dans la figure 1 a été observé chez 76% des patients FAP alors qu’il n’était présent que chez 30% des patients sains. Notre étude est une preuve de concept que les techniques d’apprentissage automatique et d’intelligence artificielle ne sont pas limitées à des approches de type boîte noire et peuvent être utilisées pour dériver des idées interprétables qui pourraient conduire à de nouveaux biomarqueurs associés à certaines conditions de santé.

.