Le défi de l’analyse Holter de longue durée
L’analyse automatique des enregistrements Holter de longue durée a toujours été un défi. L’une des principales raisons est la variabilité de la qualité du signal — le bruit et les artefacts, même après filtrage, peuvent fortement affecter les performances des algorithmes. En termes simples, plus l’enregistrement est long, plus il y a d’occasions pour que ces distorsions apparaissent : décollement des électrodes, mouvements du patient et interactions avec l’enregistreur laissent tous des traces dans le signal.
Heureusement, les enregistreurs Holter capturent souvent plusieurs canaux ECG. L’utilisation de tous les canaux de haute qualité améliore la détection des arythmies, mais s’appuyer sur l’ensemble des canaux disponibles implique également un compromis. Les canaux bruités peuvent générer de fausses alertes, en particulier dans les segments affectés par des artefacts. Par ailleurs, le bruit sur certaines dérivations peut masquer des arythmies cliniquement importantes, visibles uniquement sur le canal le plus propre.
Une approche modulaire de l’IA pour améliorer l’analyse ECG
Notre récente demande de brevet présente une solution complète à ce défi — un système moderne et modulaire d’analyse ECG, basé sur l’intelligence artificielle.
Au cœur du système se trouve un ensemble de modules interconnectés, chacun responsable d’une étape spécifique de l’analyse. Ensemble, ils améliorent significativement la détection des pics R et la classification des QRS dans les enregistrements Holter multicanaux, en gérant intelligemment les canaux en fonction de la qualité du signal.
Tout commence par l’évaluation automatique de la qualité du signal. Ce module, entraîné sur un vaste ensemble de données d’ECG annotés manuellement, identifie avec précision aussi bien les artefacts courts que les segments plus longs de mauvaise qualité — indépendamment pour chaque canal.
Vient ensuite la gestion intelligente des canaux. Le système détermine en continu quels canaux et quels segments temporels sont suffisamment fiables pour être utilisés et lesquels doivent être ignorés. En se concentrant uniquement sur les données de haute qualité, il améliore la robustesse de l’analyse — même dans les situations où un seul canal est exploitable.
L’étape de détection des pics R s’appuie sur cette base. Basée sur une version modifiée de l’algorithme de Pan–Tompkins adaptée aux données multicanaux, elle utilise uniquement les segments identifiés comme étant de haute qualité. La détection est volontairement réglée pour une très haute sensibilité, afin de capturer tous les battements cardiaques potentiels — quitte à générer davantage de faux positifs, qui sont ensuite traités plus loin dans le processus.
Enfin, le module de classification des QRS regroupe l’ensemble des informations. Il combine les données issues de la gestion des canaux et de la détection des pics R. En plus des classes standards de battements (normaux, ventriculaires et supraventriculaires), il introduit une catégorie générée dynamiquement appelée « non-QRS ». Cette classe représente les pics R détectés à tort et permet au système d’apprendre à éliminer les erreurs de détection de manière adaptative et basée sur les données.
Impact en pratique clinique
Le résultat est une amélioration claire et mesurable : moins de faux positifs, moins de battements manqués et une analyse globalement plus fiable. En pratique, cela permet un calcul plus précis des paramètres diagnostiques clés tels que la variabilité de la fréquence cardiaque (HRV), la détection des arythmies et l’identification des battements ectopiques — même en présence de canaux bruités.