Cartographie basée sur l'IA des enregistrements de cathéters optiques à multi-électrodes pour le traitement de la fibrillation auriculaire

Donné : Enregistrements à partir d'une grille de cathéter multi-électrodes, avec des étiquettes de vérité au sol provenant d'une cartographie optique dans le proche infrarouge, obtenues à partir de cœurs explantés. Sortie : Possibilité d'enregistrements provenant de la région source (pilote) de la fibrillation auriculaire.

Prédire les cibles possibles pour l'ablation de la fibrillation auriculaire sur la base des données cardiaques humaines explantées de deux modalités (cartographie multi-électrodes et imagerie optique proche infrarouge)

La fibrillation auriculaire (FA) est l'arythmie cardiaque la plus courante et la principale cause d'accident vasculaire cérébral. Le taux de réussite du traitement actuel de la FA est faible, 50 à 70 %. Plusieurs études expérimentales et cliniques suggèrent que la FA peut être causée et entretenue par des réentrées micro-anatomiques intramurales appelées moteurs. La destruction physique du conducteur, ou l'ablation du conducteur, conduit à la fin de la FA. Malheureusement, la méthode clinique actuelle de recherche de conducteurs (MEM) souffre de nombreuses limitations, notamment une mauvaise résolution et une cartographie des tissus uniquement en surface. D'autre part, la cartographie optique dans le proche infrarouge (NIOM) a une résolution mille fois supérieure et enregistre l'activité électrique à partir de la profondeur du tissu auriculaire (jusqu'à 5 mm), mais nécessite un colorant spécifique sensible à la tension pour colorer le tissu et peut donc être utilisé que pour les spécimens explantés. Pour notre recherche, nous avons utilisé des données uniques des expériences avec des oreillettes humaines explantées de l'Ohio State University enregistrements simultanés d'épisodes de FA par MEM et NIOM. Dans ce travail, nous avons prédit la possibilité que les pilotes AFib soient visibles dans l'enregistrement MEM tel que formé par les données optiques ex-vivo. Nous avons créé le classificateur d'apprentissage automatique avec des étiquettes de vérité terrain basées sur des cartes NIOM. Comme caractéristiques, nous avons utilisé les caractéristiques des spectres de Fourier des enregistrements MEM. Nos expériences sur un ensemble de données de plus de 20 000 spectres ont fourni une précision et un score f1 de 97,3 % et 0,89, respectivement.