Un modèle de deep learning basé sur l’analyse ECG à l’arrivée aux urgences permet d’identifier les patients devant bénéficier d’une revascularisation coronarienne

D’après la présentation d’Antonius Buscher, congrès de l’ACC 2025.

Messages clés

• La présentation ECG du syndrome coronarien aigue sans sus décalage du segment ST est hautement hétérogène exposant les patients à un retard de prise en charge voire des errances et/ou erreurs diagnostiques
• Cette étude a utilisé un modèle de deep learning afin de créer un modèle basé sur l’analyse ECG à l’arrivée aux urgences permettant d’identifier les patients devant bénéficier d’une revascularisation coronaire.
• Le modèle développé avait une excellente performance diagnostique afin de stratifier les patients en bas, intermédiaire ou haut risque dans une cohorte d’entraînement et de validation externe
• D’autres études, cette fois si prospectives, sont nécessaires afin de valider ce modèle, mais aussi d’analyser l’impact sur le parcours et le pronostique des patients

Introduction

Le syndrome coronarien aigu (SCA) est une des causes les plus fréquentes de consultation dans un service d’urgence et l’électrocardiogramme est l’examen de première intention réalisé dans ce cas.⁽¹⁾ Contrairement au SCA avec sus décalage du segment ST, la présentation ECG en cas de SCA non-ST+ est hautement hétérogène et non spécifique, entraînant un risque non négligeable de défaut et variabilité inter-observateur d’interprétation.

D’autres outils, tels que la troponine, sont donc utilisés en pratique courante pour étayer la démarche diagnostique, retardant parfois la prise en charge et/ou orientant faussement vers un SCA puisqu’elle s’élève dans de nombreuses conditions en dehors du SCA.

L’objectif de cette étude⁽²⁾ était de construire un modèle de deep learning pour identifier automatiquement des patterns ECG permettant d’orienter plus précocement et de façon plus fiable les patients devant bénéficier d’une revascularisation coronaire plus précoce dans ce contexte.

Méthodologie et résultats

Design de l'étude  

Cette étude a inclus des patients se présentant dans un service d’urgence et ayant bénéficié d’un ECG dans les 3h suivant l’arrivée aux urgences. Les patients avec un diagnostic de SCA ST+ en pré-hospitalier ou bénéficiant d’un pontage directement après passage aux urgences étaient exclus de l’analyse.

Les 2 cohortes étaient les suivantes :

• Une première cohorte américaine de 180 686 patients ayant consulté dans un service d’urgence de 2008 à 2022, dont 80% ont servi à la cohorte de training (n=144691) afin de créer le modèle et 20% dans la cohorte test (n=35995)
• Une seconde cohorte européenne de validation constituée de 18 673 patients ayant consulté en service d’urgence de 2018 à 2023

Le modèle de deep learning utilisé faisait partie d’un modèle de réseau neuronal (convolutional neuronal network).

Le critère de jugement ayant permis de construire le modèle était la revascularisation coronaire. En plus de ce critère, l’authentification d’un infarctus du myocarde de type 1 a été ajouté comme critère de jugement dans la cohorte de validation externe.

Résultats principaux

Concernant les populations incluses, les principales caractéristiques étaient les suivantes :

• La cohorte américaine était âgée de 60 +/- 19 ans, avec 47% d’hommes, 25% de diabétiques, 37% d’hypertendues et 31% de dyslipidémiques. Il existait des symptômes cardiologiques dans seulement 22% des cas.
• La cohorte européenne était plus jeune de 5 ans (âge moyen de 55 +/- 21 ans), avec seulement 7.4% de diabétiques, 22.7% d’hypertendues et 6.8% de dyslipidémiques. Là encore, il existait des symptômes cardiaques dans seulement 21.4% des cas.

Le modèle de deep learning, réalisé à partir de l’électrocardiogramme pour identifier les patients devant bénéficier d’une revascularisation coronarienne dans ce contexte avait un AUC de 0.91 contre 0.71 pour la troponine et 0.65 pour l’évaluation par un clinicien. (Figure 1)

Figure 1 : performance du modèle dans la cohorte d’entrainement

Cela a permis de diviser la population de training en 3 strates de risque :

• Patients à bas risque chez qui on pouvait, avec une bonne sensibilité, ne pas réaliser de coronarographie
• Patients à haut risque, devant bénéficier d’une coronarographie (avec cette fois une bonne spécificité).
• Dans le cas contraire, les patients étaient classés à risque intermédiaire

La sensitivité était de 90.04% pour le seuil de bas risque permettant de surseoir à la coronarographie. 
La spécificité était de 95.6% pour le seuil de haut risque indiquant la nécessité d’une coronarographie avec revascularisation.

Dans la cohorte de validation externe, la performance du modèle était de :

• AUC de 0.81 pour la nécessité d’une revascularisation coronaire, soit meilleure que l’évaluation clinique et comparable à la troponine.
• AUC de 0.85 pour la détection d’un infarctus du myocarde de type 1, soit meilleure que l’évaluation clinique et comparable à la troponine. 

(Figure 2)

Figure 2 : performance du modèle dans la cohorte de validation externe

Conclusion

Chez des patients se présentant aux urgences, sans ECG évocateur d’IDM avec sus décalage du segment ST, le modèle de deep learning construit à partir d’une analyse ECG dans cette étude a démontré une très bonne performance diagnostique afin d’identifier les patients devant bénéficier d’une revascularisation coronarienne ou avec un infarctus de type 1. Ces résultats ont été confortés dans une cohorte de validation externe.

Néanmoins, une étude prospective est maintenant nécessaire afin de valider ce modèle et d’évaluer son impact dans le parcours de soin des patients et sur leur pronostic.

Références

<sup>1. Byrne RA, Rossello X, Coughlan JJ, Barbato E, Berry C, Chieffo A, et al. 2023 ESC Guidelines for the management of acute coronary syndromes. Eur Heart J. 2023 Oct 12;44(38):3720–826. 
2. Büscher A, Plagwitz L, Yildirim K, Brix TJ, Neuhaus P, Bickmann L, et al. Deep Learning Electrocardiogram Model for Risk Stratification of Coronary Revascularization Need in the Emergency Department. European Heart Journal. 2025 Mar 29;ehaf254.</sup>

Toute l'actualité de l'ACC 2025