L'intelligence artificielle et l'ECG - Historique des versions

Aymeric MENET le 14 septembre 2025 à 14:50

2025-09-14T14:50:36Z

← Version précédente		Version du 14 septembre 2025 à 14:50
Ligne 91 :		Ligne 91 :
	<div style='text-align:center'>''Auteur(s): {{PAGEAUTHORS}}''</div>		<div style='text-align:center'>''Auteur(s): {{PAGEAUTHORS}}''</div>
	== Bibliographie ==		== Bibliographie ==

			[[Catégorie:Technique d'intelligence artificielle pour l'ECG]]

Aymeric MENET : images

2023-07-07T18:52:31Z

images

← Version précédente		Version du 7 juillet 2023 à 18:52
Ligne 7 :		Ligne 7 :


			== Intelligence artificielle, machine learning, deep learning : définitions et mode de fonctionnement. ==
	Intelligence artificielle, machine learning, deep learning : définitions et mode de fonctionnement.

	L’intelligence artificielle est définie par une machine qui simule l’intelligence humaine. Un simple thermostat entre dans le cadre de cette définition : il enclenche le chauffage seul de manière intelligente, il simule donc l’intelligence humaine. Les débuts de l’IA se situent dans les années 1950.		L’intelligence artificielle est définie par une machine qui simule l’intelligence humaine. Un simple thermostat entre dans le cadre de cette définition : il enclenche le chauffage seul de manière intelligente, il simule donc l’intelligence humaine. Les débuts de l’IA se situent dans les années 1950.
			[[Fichier:Définition IA.png\|vignette\|Intelligence artificielle, machine learning, deep learning: définitions]]
	2 types d’IA existent :		2 types d’IA existent :

Ligne 19 :		Ligne 17 :

	Quelques années après la première description de l’IA naît le concept de machine learning qui est une machine capable d’apprendre seule d’après des exemples. Dans le language courant, lorsque nous parlons d’IA, nous pensons « machine learning ». Les réseaux neuronaux dont le deep learning (réseaux neuronaux constitués de plusieurs couches de neurones) sont une sous-catégorie de machine learning qui simule le fonctionnement des neurones. Cette technique s’est révélée être l’un des algorithmes les plus puissants de machine learning notamment dans la reconnaissance d’image ou la possibilité de battre le champion du monde au jeu de Go. (figure 1.)		Quelques années après la première description de l’IA naît le concept de machine learning qui est une machine capable d’apprendre seule d’après des exemples. Dans le language courant, lorsque nous parlons d’IA, nous pensons « machine learning ». Les réseaux neuronaux dont le deep learning (réseaux neuronaux constitués de plusieurs couches de neurones) sont une sous-catégorie de machine learning qui simule le fonctionnement des neurones. Cette technique s’est révélée être l’un des algorithmes les plus puissants de machine learning notamment dans la reconnaissance d’image ou la possibilité de battre le champion du monde au jeu de Go. (figure 1.)
			[[Fichier:Deep learning .png\|vignette\|Figure 2A. Similitudes entre neurone biologique et neurone artificiel, réseaux de neurones. 2B. Phases d’apprentissage et de prédiction d’un algorithme supervisé de machine-learning.]]

	~~Figure 1. Définitions.~~

	Les réseaux de neurones simulent le fonctionnement d’un neurone humain : dans un neurone biologique, il y a plusieurs afférences provenant d’autres neurones et le neurone qui reçoit toutes ces informations va en faire la synthèse sous la forme d’une seule efférence : potentiel d’action ou son absence (réponse en 0 ou 1). Dans un neurone artificiel, le fonctionnement est similaire : il y a plusieurs afférences en 0 ou 1 qui vont être pondérées par un facteur p, si la somme de toutes ces afférences est supérieure à une valeur seuil w, alors l’efférence est 1 sinon elle est de 0. Un réseau de neurone est la somme de plusieurs couches de neurones. Le réseau de neurone profond ou « deep learning » est un réseau avec de nombreuses couches de neurones qui deviennent capables d’extraire les caractéristiques fondamentales permettant de reconnaitre un objet sans avoir expliqué à l’algorithme ces caractéristiques à l’algorithme. (L’algorithme trouve tout seul que pour reconnaitre un chat, il faut reconnaitre des oreilles pointues, un certain éloignement des yeux, un nez triangulaire…). (figure 2A) Les réseaux de neurones profonds sont devenus possibles depuis l’amélioration des capacités de calcul et l’explosion du big data vers 2010.<ref>David Louapre. Deep learning, science étonnante. 2016; Disponible sur: <nowiki>https://scienceetonnante.com/2016/04/08/le-deep-learning/</nowiki></ref>		Les réseaux de neurones simulent le fonctionnement d’un neurone humain : dans un neurone biologique, il y a plusieurs afférences provenant d’autres neurones et le neurone qui reçoit toutes ces informations va en faire la synthèse sous la forme d’une seule efférence : potentiel d’action ou son absence (réponse en 0 ou 1). Dans un neurone artificiel, le fonctionnement est similaire : il y a plusieurs afférences en 0 ou 1 qui vont être pondérées par un facteur p, si la somme de toutes ces afférences est supérieure à une valeur seuil w, alors l’efférence est 1 sinon elle est de 0. Un réseau de neurone est la somme de plusieurs couches de neurones. Le réseau de neurone profond ou « deep learning » est un réseau avec de nombreuses couches de neurones qui deviennent capables d’extraire les caractéristiques fondamentales permettant de reconnaitre un objet sans avoir expliqué à l’algorithme ces caractéristiques à l’algorithme. (L’algorithme trouve tout seul que pour reconnaitre un chat, il faut reconnaitre des oreilles pointues, un certain éloignement des yeux, un nez triangulaire…). (figure 2A) Les réseaux de neurones profonds sont devenus possibles depuis l’amélioration des capacités de calcul et l’explosion du big data vers 2010.<ref>David Louapre. Deep learning, science étonnante. 2016; Disponible sur: <nowiki>https://scienceetonnante.com/2016/04/08/le-deep-learning/</nowiki></ref>
Ligne 26 :		Ligne 24 :
	Pour créer un algorithme de machine learning, il y a une phase d’apprentissage sur une base de données la plus large possible et annotée par l’humain (algorithme supervisé). Il y a ensuite une phase de prédiction sur une deuxième base de données également annotée par l’humain cette fois ci pour valider que l’algorithme et donner sa performance. L’algorithme peut alors être utilisé en situation réelle. (Figure 2B)		Pour créer un algorithme de machine learning, il y a une phase d’apprentissage sur une base de données la plus large possible et annotée par l’humain (algorithme supervisé). Il y a ensuite une phase de prédiction sur une deuxième base de données également annotée par l’humain cette fois ci pour valider que l’algorithme et donner sa performance. L’algorithme peut alors être utilisé en situation réelle. (Figure 2B)

	~~Figure 2A. Similitudes entre neurone biologique et neurone artificiel, réseaux de neurones. 2B. Phases d’apprentissage et de prédiction d’un algorithme supervisé de machine-learning.~~

	== L'IA en rythmologie ==		== L'IA en rythmologie ==

Samuel Boudet le 7 juillet 2023 à 18:04

2023-07-07T18:04:22Z

← Version précédente		Version du 7 juillet 2023 à 18:04
Ligne 1 :		Ligne 1 :
	{{~~Physiologie/Physiopathologie~~ de l'~~activité~~ électrique cardiaque}}		{{Technique de l'enregistrement électrique cardiaque}}

	== Introduction ==		== Introduction ==

Samuel Boudet le 7 juillet 2023 à 18:04

2023-07-07T18:04:03Z

← Version précédente		Version du 7 juillet 2023 à 18:04
Ligne 1 :		Ligne 1 :
			{{Physiologie/Physiopathologie de l'activité électrique cardiaque}}

	== Introduction ==		== Introduction ==

Samuel Boudet le 7 juillet 2023 à 11:34

2023-07-07T11:34:11Z

← Version précédente		Version du 7 juillet 2023 à 11:34
Ligne 91 :		Ligne 91 :

	Liens d’intérêt : aucun		Liens d’intérêt : aucun
			<div style='text-align:center'>''Auteur(s): {{PAGEAUTHORS}}''</div>
	== Bibliographie ==		== Bibliographie ==

	~~<div style='text-align:center'>''Auteur(s): {{PAGEAUTHORS}}''</div>~~

Samuel Boudet le 7 juillet 2023 à 11:33

2023-07-07T11:33:49Z

← Version précédente		Version du 7 juillet 2023 à 11:33
Ligne 93 :		Ligne 93 :

	== Bibliographie ==		== Bibliographie ==

			<div style='text-align:center'>''Auteur(s): {{PAGEAUTHORS}}''</div>

Aymeric MENET le 6 juillet 2023 à 14:35

2023-07-06T14:35:58Z

← Version précédente		Version du 6 juillet 2023 à 14:35
Ligne 1 :		Ligne 1 :

	== Introduction ==		== Introduction ==
	L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.~~{{#ECG:Stim_atriale_et_ventriculaire\|Votre légende}}~~
			L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.

Aymeric MENET le 6 juillet 2023 à 14:31

2023-07-06T14:31:29Z

← Version précédente		Version du 6 juillet 2023 à 14:31
Ligne 1 :		Ligne 1 :

	== Introduction ==		== Introduction ==
	L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.		L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.{{#ECG:Stim_atriale_et_ventriculaire\|Votre légende}}

Aymeric MENET le 6 juillet 2023 à 14:29

2023-07-06T14:29:45Z

← Version précédente		Version du 6 juillet 2023 à 14:29
Ligne 2 :		Ligne 2 :
	== Introduction ==		== Introduction ==
	L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.		L’intelligence artificielle (IA) est aujourd’hui omniprésente. Elle a déjà fait couler beaucoup d’encre car on l’imagine capable de concurrencer l’intelligence humaine avec une capacité à raisonner, à résoudre des énigmes, à porter des jugements, à planifier, à apprendre et à communiquer. Elle s’apparente en réalité aujourd’hui à une algorithmie évoluée capable de répondre de manière très précise à des problématiques bien définies. En rythmologie, les algorithmes de lecture d’ECG ou de gestion des alertes de télémétrie existent depuis longtemps avec des résultats imparfaits. Le développement de nouveaux algorithmes basés sur le machine learning et le deep learning est une révolution permettant de diminuer drastiquement le nombre d’erreurs, même s’ils sont difficilement explicables.



	Intelligence artificielle, machine learning, deep learning : définitions et mode de fonctionnement.		Intelligence artificielle, machine learning, deep learning : définitions et mode de fonctionnement.

Aymeric MENET le 6 juillet 2023 à 14:26

2023-07-06T14:26:58Z

← Version précédente		Version du 6 juillet 2023 à 14:26
Ligne 89 :		Ligne 89 :

	== Bibliographie ==		== Bibliographie ==
	~~1. David Louapre. Deep learning, science étonnante. 2016; Disponible sur: <nowiki>https://scienceetonnante.com/2016/04/08/le-deep-learning/</nowiki>~~

	2. Friberg L, Rosenqvist M, Lip GYH. Evaluation of risk stratification schemes for ischaemic stroke and bleeding in 182 678 patients with atrial fibrillation: the Swedish Atrial Fibrillation cohort study. Eur Heart J. juin 2012;33(12):1500‑10.

	3. Mittal S, Oliveros S, Li J, Barroyer T, Henry C, Gardella C. AI Filter Improves Positive Predictive Value of Atrial Fibrillation Detection by an Implantable Loop Recorder. JACC Clin Electrophysiol. août 2021;7(8):965‑75.

	4. Aksu T, Guler TE, Bozyel S, Yalin K. Usage of a new mapping algorithm to detect possible critical substrate for continuity of atrial fibrillation: fractionation mapping in preliminary experience. J Interv Card Electrophysiol Int J Arrhythm Pacing. juin 2020;58(1):29‑34.

	5. Fiorina L, Marijon E, Maupain C, Coquard C, Larnier L, Rischard J, et al. 222AI-based strategy enables faster Holter ECG analysis with equivalent clinical accuracy compared to a classical strategy. EP Eur. 1 juin 2020;22(Supplement_1):euaa162.374.

	6. Inohara T, Shrader P, Pieper K, Blanco RG, Thomas L, Singer DE, et al. Association of of Atrial Fibrillation Clinical Phenotypes With Treatment Patterns and Outcomes: A Multicenter Registry Study. JAMA Cardiol. 1 janv 2018;3(1):54‑63.

	~~7. Kashou. AH. A comprehensive artificial intelligence–enabled electrocardiogram interpretation program. Cardiovasc Digit Health J. 1 sept 2020;1(2):62‑70.~~

	8. Zhu H, Cheng C, Yin H, Li X, Zuo P, Ding J, et al. Automatic multilabel electrocardiogram diagnosis of heart rhythm or conduction abnormalities with deep learning: a cohort study. Lancet Digit Health. juill 2020;2(7):e348‑57.

	9. Attia ZI, Noseworthy PA, Lopez-Jimenez F, Asirvatham SJ, Deshmukh AJ, Gersh BJ, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet Lond Engl. 7 sept 2019;394(10201):861‑7.

	10. Attia ZI, Friedman PA, Noseworthy PA, Lopez-Jimenez F, Ladewig DJ, Satam G, et al. Age and Sex Estimation Using Artificial Intelligence From Standard 12-Lead ECGs. Circ Arrhythm Electrophysiol. sept 2019;12(9):e007284.

	11. Tison GH, Zhang J, Delling FN, Deo RC. Automated and Interpretable Patient ECG Profiles for Disease Detection, Tracking, and Discovery. Circ Cardiovasc Qual Outcomes. sept 2019;12(9):e005289.

	12. Ko WY, Siontis KC, Attia ZI, Carter RE, Kapa S, Ommen SR, et al. Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. J Am Coll Cardiol. 25 févr 2020;75(7):722‑33.

	13. Adedinsewo D, Carter RE, Attia Z, Johnson P, Kashou AH, Dugan JL, et al. Artificial Intelligence-Enabled ECG Algorithm to Identify Patients With Left Ventricular Systolic Dysfunction Presenting to the Emergency Department With Dyspnea. Circ Arrhythm Electrophysiol. 1 août 2020;13(8):e008437.

	14. Galloway CD, Valys AV, Shreibati JB, Treiman DL, Petterson FL, Gundotra VP, et al. Development and Validation of a Deep-Learning Model to Screen for Hyperkalemia From the Electrocardiogram. JAMA Cardiol. 1 mai 2019;4(5):428‑36.

	~~15. Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations. J Am Coll Cardiol. 29 août 2017;70(9):1183‑92.~~

L'intelligence artificielle et l'ECG - Historique des versions

Aymeric MENET le 14 septembre 2025 à 14:50

Aymeric MENET : images

Samuel Boudet le 7 juillet 2023 à 18:04

Samuel Boudet le 7 juillet 2023 à 18:04

Samuel Boudet le 7 juillet 2023 à 11:34

Samuel Boudet le 7 juillet 2023 à 11:33

Aymeric MENET le 6 juillet 2023 à 14:35

Aymeric MENET le 6 juillet 2023 à 14:31

Aymeric MENET le 6 juillet 2023 à 14:29

Aymeric MENET le 6 juillet 2023 à 14:26

Aymeric MENET : images