Développement et validation d’un modèle d’apprentissage profond pour le dépistage de l’hypokaliémie à partir de l’électrocardiogramme chez les patients aux urgences
L’hypokaliémie, définie par une concentration sérique de potassium inférieure à 3,5 mmol/L, est l’un des déséquilibres électrolytiques les plus fréquents en pratique clinique. Cette condition potentiellement mortelle nécessite un diagnostic rapide, particulièrement aux urgences. Bien que le dosage sanguin du potassium reste la méthode de référence, ses limites (délais analytiques, reproductibilité) retardent souvent la prise en charge. L’électrocardiogramme (ECG) présente des anomalies caractéristiques de l’hypokaliémie, comme des modifications de l’onde T, une dépression du segment ST, un allongement de l’intervalle QT ou des ondes U ≥0,1 mV. Cependant, ces signes sont souvent sous-utilisés en clinique. Les modèles d’intelligence artificielle (IA), notamment les réseaux neuronaux profonds, offrent une opportunité d’améliorer le dépistage en identifiant des motifs ECG subtils.
Cette étude a développé et validé un modèle d’apprentissage profond pour détecter l’hypokaliémie à partir d’ECG 12 dérivations chez des patients des urgences. Les données provenaient du Deuxième Hôpital affilié de l’Université de Nanchang (Chine), incluant 9 908 ECG enregistrés entre septembre 2017 et octobre 2020. Les échantillons sanguins (potassium sérique) étaient prélevés dans un intervalle de 10 minutes autour de l’ECG, excluant les patients sous supplémentation potassique. Un réseau neuronal convolutif (CNN) à 11 couches a été entraîné sur 6 904 ECG, validé en interne (1 726 ECG) et en externe (1 278 ECG d’une autre branche hospitalière).
Le modèle a montré une aire sous la courbe ROC (AUC) de 0,80 (IC 95 % : 0,77–0,82) en validation interne, avec une sensibilité de 71,4 % et une spécificité de 77,1 %. En validation externe, l’AUC était de 0,77 (IC 95 % : 0,75–0,79), avec 70,0 % de sensibilité et 69,1 % de spécificité. L’analyse en dérivation unique (DII, typique des dispositifs portables) a donné des performances inférieures (AUC 0,68 en interne, 0,64 en externe). La présence de troubles de conduction a influencé les résultats : le modèle atteignait 100 % de précision sur les ECG avec stimulateur cardiaque, contre 16,7 % en cas de bloc complet de branche gauche (BCBG). Pour la fibrillation auriculaire, la sensibilité était de 74,2 % (spécificité 72,0 %).
Ces résultats suggèrent que l’IA pourrait compléter les méthodes conventionnelles de dépistage de l’hypokaliémie aux urgences, notamment dans les contextes précaires. L’intégration du modèle dans les systèmes d’ECG existants permettrait une surveillance en temps réel, bien que des limites persistent (performance réduite en cas de BCBG, variabilité interpopulations). Des études prospectives sont nécessaires pour confirmer son impact clinique.
doi : 10.1097/CM9.0000000000001650