Home / Santé / L'IA peut détecter des niveaux de glucose bas via l'ECG sans test d'empreinte digitale – Actualite-sante

L'IA peut détecter des niveaux de glucose bas via l'ECG sans test d'empreinte digitale – Actualite-sante

#Sante

Des chercheurs de l'Université de Warwick ont ​​mis au point une nouvelle technologie pour détecter les faibles taux de glucose via l'ECG à l'aide d'un capteur portable non invasif, qui, avec la dernière intelligence artificielle, peut détecter les événements hypoglycémiques à partir des signaux ECG bruts. Dr Leandro Pecchia avec la nouvelle technologie de l'Université de Warwick.

Actuellement, les moniteurs de glucose en continu (CGM) sont disponibles par le NHS pour la détection de l'hypoglycémie (taux de sucre dans le sang ou le derme). Ils mesurent le glucose dans le liquide interstitiel à l'aide d'un capteur invasif avec une petite aiguille, qui envoie des alarmes et des données à un dispositif d'affichage. Dans de nombreux cas, ils nécessitent un étalonnage deux fois par jour avec des tests invasifs de glycémie par piqûre au doigt. and Artificial Intelligence: A Pilot Study on Deep Learning for Hypoglycemic Events Detection based on ECG 'in the Nature Springer journal Scientific Reports prouvant qu'en utilisant les dernières découvertes de l'intelligence artificielle (ie, deep learning), ils peuvent détecter événements hypoglycémiques à partir de signaux ECG bruts acquis avec des capteurs portables non invasifs du commerce.

Deux études pilotes avec des volontaires sains ont trouvé la sensibilité et la spécificité moyennes d'environ 82% pour la détection d'hypoglycémie, ce qui est comparable aux performances actuelles du CGM, bien que non invasif.

Le Dr Leandro Pecchia de la School of Engineering de l'Université de Warwick commente:

"Les doigts sont ne très agréable et dans certaines circonstances particulièrement encombrant. Prendre un doigt pendant la nuit est certainement désagréable, surtout pour les patients en âge pédiatrique.

"Notre innovation a consisté à utiliser l'intelligence artificielle pour détecter automatiquement l'hypoglycémie via quelques battements d'ECG. Ceci est pertinent car l'ECG peut être détecté en toute circonstance, y compris le sommeil . "

La figure montre la sortie des algorithmes au fil du temps: la ligne verte représente les niveaux de glucose normaux, tandis que la ligne rouge représente les niveaux de glucose bas. La ligne horizontale représente la valeur de glucose de 4 mmol / L, qui est considérée comme le seuil significatif pour les événements hypoglycémiques. La zone grise entourant la ligne continue reflète la barre d'erreur de mesure.

Le modèle Warwick met en évidence la façon dont l'ECG change chez chaque sujet lors d'un événement hypoglycémique. La figure ci-dessous en est un exemple. Les lignes pleines représentent les battements cardiaques moyens pour deux sujets différents lorsque le taux de glucose est normal (ligne verte) ou faible (ligne rouge). Les ombres rouges et vertes représentent l'écart type des battements cardiaques autour de la moyenne.

Une comparaison met en évidence que ces deux sujets ont des changements de forme d'onde ECG différents pendant les événements hypo. En particulier, le sujet 1 présente un intervalle QT visiblement plus long pendant l'hypo, contrairement au sujet 2.

Les barres verticales représentent l'importance relative de chaque onde ECG pour déterminer si un rythme cardiaque est classé comme hypo ou normal.

À partir de ces barres, un clinicien qualifié constate que pour le sujet 1, le déplacement des ondes T influence la classification, reflétant que lorsque le sujet est en hypo, la repolarisation des ventricules est plus lente.

Dans le sujet 2, les composants les plus importants de les ECG sont l'onde P et la montée de l'onde T, suggérant que lorsque ce sujet est en hypo, la dépolarisation des oreillettes et le seuil d'activation ventriculaire sont particulièrement affectés. Cela pourrait influencer les interventions cliniques ultérieures.

Ce résultat est possible parce que le modèle Warwick AI est formé avec les propres données de chaque sujet. Les différences intersubjectives sont si importantes que la formation du système à l'aide de données de cohorte ne donnerait pas les mêmes résultats. De même, une thérapie personnalisée basée sur notre système pourrait être plus efficace que les approches actuelles.

Dr Leandro Pecchia commente:

"Les différences soulignées ci-dessus pourraient expliquer pourquoi les études précédentes utilisant l'ECG pour détecter les événements hypoglycémiques ont échoué. Les performances des algorithmes d'IA formés sur des données ECG de cohorte seraient gênés par ces différences inter-sujets. "

" Notre approche permet un réglage personnalisé des algorithmes de détection et souligne comment les événements hypoglycémiques affectent l'ECG chez les individus. Sur la base de ces informations, les cliniciens peuvent adapter la thérapie à chaque individu. Il est clair que davantage de recherches cliniques sont nécessaires pour confirmer ces résultats dans des populations plus larges. C'est pourquoi nous recherchons des partenaires. "

Source

About Actus-sante

Check Also

La façon dont vous dansez est unique et les ordinateurs peuvent dire que c'est vous – Actualite-sante

#Sante Presque tout le monde réagit à la musique par le mouvement, que ce soit …

Laisser un commentaire