Les enquêteurs indiquent si une montre intelligente peut détecter avec précision la fibrillation auriculaire à l’aide de la technologie d’électrocardiogramme (ECG).
La surveillance cardiaque étendue chez les patients utilisant des dispositifs électroniques cardiovasculaires implantables qui augmentent la détection de la fibrillation auriculaire (FA) est couramment utilisée ; cependant, ces appareils ont des limites, telles que la courte durée de vie de la batterie. Cela a conduit une équipe de chercheurs internationaux à enquêter sur la smartwatch Apple avec une bande ECG et leurs résultats.
L’étude, publiée dans le Journal canadien de cardiologie, ont constaté que l’utilisation de montres intelligentes peut être difficile chez les patients présentant des ECG anormaux. Les enquêteurs ont noté dans leurs recherches que de meilleurs algorithmes et l’apprentissage automatique peuvent aider les montres intelligentes à fournir des diagnostics plus précis.
« Des études antérieures ont validé la précision de l’Apple Watch pour le diagnostic de la FA chez un nombre limité de patients présentant des profils cliniques similaires », a expliqué le chercheur principal Marc Strik, MD, PhD, institut LIRYC, CHU de Bordeaux, Bordeaux, France. « Nous avons testé la précision de l’application Apple Watch ECG pour détecter la FA chez des patients présentant diverses anomalies ECG coexistantes. »
Tester les montres connectées et leur précision
L’étude a inclus 734 patients hospitalisés consécutifs qui ont chacun subi un ECG à 12 dérivations, suivi d’un enregistrement Apple Watch de 30 secondes. Les détections automatisées ECG AF à dérivation unique de la smartwatch ont été classées comme « aucun signe de fibrillation auriculaire », « fibrillation auriculaire » ou « lecture non concluante ».
Les chercheurs ont fourni les données à un électrophysiologiste qui a procédé à une interprétation en aveugle et a attribué à chaque enregistrement « FA », « absence de FA » ou « diagnostic incertain ». Des tests supplémentaires ont été effectués par un deuxième électrophysiologiste en aveugle qui a interprété 100 tracés sélectionnés au hasard pour déterminer dans quelle mesure les observateurs étaient d’accord.
Analyse des résultats
L’équipe a constaté que chez environ un patient sur cinq, l’ECG de la smartwatch n’a pas réussi à produire un diagnostic automatique. Le risque d’avoir une détection FA faussement positive était plus élevé chez les patients présentant des contractions auriculaires et ventriculaires prématurées (PAC/PVC), un dysfonctionnement du nœud sinusal et un bloc auriculo-ventriculaire du deuxième ou du troisième degré. Pour les patients atteints de FA, le risque de lecture FA manquée était plus élevé chez les patients présentant des anomalies de conduction ventriculaire (retard de conduction interventriculaire) ou des rythmes contrôlés par un stimulateur cardiaque implanté.
De plus, les deux électrophysiologistes étaient tout à fait d’accord sur la différenciation entre FA et non FA. L’application smartphone connectée à une smartwatch a correctement identifié 78% des patients qui étaient en FA et 81% qui n’étaient pas en FA. Les électrophysiologistes ont identifié 97 % des patients qui avaient une FA et 89 % qui ne l’étaient pas.
Les patients atteints de PVC étaient également trois fois plus susceptibles d’avoir des diagnostics de FA faussement positifs à partir de la technologie ECG des montres intelligentes, et l’identification de la tachycardie auriculaire (TA) et du flutter auriculaire (AFL) chez les patients était médiocre.
« Ces observations ne sont pas surprenantes, car les algorithmes de détection automatisés des montres intelligentes sont basés uniquement sur la variabilité du cycle », a noté le Dr Strik, expliquant que les PVC provoquent des cycles courts et longs, ce qui augmente la variabilité du cycle. « Idéalement, un algorithme permettrait de mieux faire la distinction entre les PVC et l’AF. Tout algorithme limité à l’analyse de la variabilité du cycle aura une faible précision dans la détection de l’AT/AFL. Les approches d’apprentissage automatique peuvent augmenter la précision de la détection AF de la smartwatch chez ces patients. »