Prédire la fibrillation atriale cinq minutes à l'avance : un réseau de neurones personnalisé lit l'ECG des dispositifs portables (arXiv, 2026)

Déposé le 9 juin 2026 sur arXiv, ce preprint d'une équipe de l'Université nationale de Séoul entraîne un réseau de neurones à prédire, à partir d'un segment d'électrocardiogramme (ECG) d'une seule dérivation de 60 secondes, si un épisode de fibrillation atriale va commencer dans les 5 minutes qui suivent. En affinant le modèle sur les premières 24 heures d'enregistrement propres à chaque patient, l'AUROC — la capacité à séparer un cas positif d'un cas négatif — grimpe d'environ 0,61 à 0,71 sur la cohorte d'entraînement, et de 0,59 à 0,69 sur une cohorte coréenne indépendante. L'idée est séduisante (anticiper la crise plutôt que la détecter), le code est ouvert et la démonstration porte sur trois bases de données réelles d'ECG ambulatoire. Mais la performance reste modeste, les seuils de décision sont calibrés sur les propres données de test de chaque patient, la cohorte de validation européenne se réduit à 6 patients, et deux des auteurs sont rattachés à l'entreprise qui fabrique l'un des appareils étudiés.

Le contexte

La fibrillation atriale est le trouble du rythme cardiaque soutenu le plus fréquent : les oreillettes du cœur se contractent de façon anarchique au lieu de battre régulièrement. Elle multiplie par cinq le risque d'accident vasculaire cérébral et pèse lourd dans l'insuffisance cardiaque. Sa forme paroxystique est particulièrement traître : les épisodes vont et viennent, parfois quelques minutes, souvent sans symptôme, ce qui les rend difficiles à attraper lors d'un examen ponctuel.

Les dispositifs portables — montres connectées, patchs ECG, holters longue durée — ont changé la donne en permettant d'enregistrer le rythme en continu pendant des jours. La plupart des algorithmes existants détectent la fibrillation une fois qu'elle a commencé. L'ambition de ce papier est différente : la prévoir quelques minutes avant son déclenchement. L'enjeu clinique est concret. Si l'on pouvait fiablement annoncer une crise imminente, on pourrait déclencher une stratégie dite « pill-in-the-pocket » (prise d'un antiarythmique à la demande, juste avant l'épisode) ou alerter en soins intensifs, où une fibrillation à réponse ventriculaire rapide peut être dangereuse. Les travaux antérieurs sur cette prédiction restent rares, souvent limités à un seul jeu de données et difficiles à reproduire.

La méthode

Le travail, signé par Jangwon Suh, Soonil Kwon, Eue-Keun Choi, Wonjong Rhee et leurs collègues (Université nationale de Séoul, CHA University, et la société SEERS Technology), s'appuie sur trois bases d'ECG ambulatoire d'une seule dérivation : ICENTIA11K (11 000 patients, patch CardioSTAT, 250 Hz), IRIDIA-AF (152 patients, holter, 200 Hz) et MobiCARE (379 patients, dispositif du même nom fabriqué par SEERS, 256 Hz, données privées de l'hôpital universitaire de Séoul).

La tâche est formulée comme une classification binaire. On découpe l'enregistrement en segments de 60 secondes ; un segment est étiqueté « pré-fibrillation » s'il précède immédiatement (dans les 5 minutes) le début d'un épisode, et « non-fibrillation » s'il se situe à au moins 20 minutes de tout épisode. Le modèle doit dire de quel type est chaque fenêtre — autrement dit, prédire l'imminence d'une crise dans un horizon de 5 minutes.

Le réseau est un ResNet 1D à 18 couches — un réseau de neurones convolutif (CNN), famille spécialisée dans la reconnaissance de motifs, ici adapté au signal ECG unidimensionnel ; le « ResNet » désigne une architecture à connexions résiduelles qui facilite l'entraînement des réseaux profonds. Le nombre exact de paramètres n'est pas précisé. Le cœur de la contribution est la personnalisation : on entraîne d'abord un modèle « global » sur la grande base ICENTIA11K, puis on l'affine (fine-tuning, ré-entraînement léger) sur les ~24 premières heures d'enregistrement de chaque patient, avant de l'évaluer sur le reste de son tracé. Chaque patient obtient donc son propre modèle calibré. La performance est mesurée par l'AUROC et l'AUPRC (aire sous la courbe précision-rappel, plus exigeante quand les classes sont déséquilibrées). Les seuils de décision sont fixés par patient au point qui maximise l'indice de Youden — point important pour la suite.

Les résultats

La personnalisation aide, de façon mesurable mais limitée. Sur la cohorte interne ICENTIA11K (30 patients), l'AUROC passe de 0,614 à 0,711 (p = 0,046) et l'AUPRC de 0,546 à 0,649. Sur la cohorte coréenne externe MobiCARE (31 patients), l'AUROC monte de 0,585 à 0,686 (p = 0,018), avec un gain net de sensibilité (0,668 à 0,775) et de score F1 (0,538 à 0,628). Sur la cohorte européenne IRIDIA-AF, l'AUROC va de 0,633 à 0,715, mais sans atteindre la significativité statistique (p = 0,195) — il n'y a que 6 patients. Les auteurs montrent aussi qu'il faut accumuler de l'ordre d'une douzaine d'épisodes par patient avant que la personnalisation devienne utile, et que le modèle se focalise sur des précurseurs électrophysiologiquement plausibles (extrasystoles auriculaires, courtes tachycardies supraventriculaires), corroborés par une hausse de la fréquence cardiaque juste avant l'épisode.

Traduction clinique : ces chiffres sont à lire avec prudence. Une AUROC autour de 0,70 signifie que, en tirant au sort une fenêtre pré-fibrillation et une fenêtre normale, le modèle classe correctement la première comme plus à risque environ 70 fois sur 100 — c'est mieux que le hasard (50/100), loin d'un outil tranchant. Au seuil optimal sur MobiCARE, la sensibilité de 77,5 % et la spécificité de 63,5 % impliquent que, sur 100 fenêtres précédant vraiment une crise, environ 78 seraient signalées et 22 manquées ; mais surtout, sur 100 fenêtres normales, près de 37 déclencheraient une fausse alerte. Or l'évaluation est faite sur un jeu enrichi (environ une fenêtre à risque pour deux normales) : en surveillance continue réelle, où l'immense majorité des minutes sont sans fibrillation, la proportion de fausses alertes parmi toutes les alertes serait bien plus élevée. Les auteurs le reconnaissent : il faut « gagner en précision pour limiter les fausses alertes et les prises de médicament inutiles ».

Ce qui est bien

Prédire plutôt que détecter, sur des données réelles et variées. S'attaquer à la prévision de la fibrillation à 5 minutes, et non à sa simple détection, sur trois bases d'ECG ambulatoire issues de trois appareils différents, est un choix ambitieux et utile. Tester le même modèle sur des cohortes acquises avec des matériels et des fréquences d'échantillonnage distincts est exactement le genre d'épreuve de généralisation que la littérature néglige trop souvent.

Une politique de déploiement honnête et quantifiée. Plutôt que de vanter la personnalisation comme une baguette magique, les auteurs en cartographient la courbe d'apprentissage : ils montrent qu'avec trop peu d'épisodes (3), elle n'apporte rien, et proposent une stratégie « consciente des données » — commencer par le modèle global, ne basculer vers le modèle personnalisé qu'une fois une douzaine d'épisodes accumulés. C'est une posture rare et appréciable, qui résiste à la sur-promesse.

Code ouvert, données partiellement publiques, interprétabilité. Le code est publié sous licence MIT, et deux des trois bases (ICENTIA11K, IRIDIA-AF) sont accessibles publiquement. Les auteurs étayent leurs prédictions par des cartes d'attribution Grad-CAM montrant que le réseau s'appuie sur des signes annonciateurs reconnus, et par une analyse physiologique (hausse de la fréquence cardiaque et de la variabilité RMSSD avant l'épisode) qui rend le signal appris plausible plutôt qu'opaque.

Ce qui est moins bien

Des seuils calibrés sur les données de test du patient (mode d'échec : la métrique trompeuse). Les sensibilités, spécificités et valeurs prédictives sont calculées au seuil de Youden optimal sur le propre jeu de test de chaque patient. Les auteurs eux-mêmes précisent que ces chiffres sont « descriptifs » et non des estimations de performance prospective : en pratique, on ne connaît pas à l'avance le seuil idéal d'un patient. À cela s'ajoute le déséquilibre des classes dans l'évaluation (1 fenêtre à risque pour 2 normales), bien plus favorable que la réalité d'une surveillance continue où la fibrillation est rare — un classique effet de base rate qui gonfle la valeur prédictive positive affichée (0,58) bien au-delà de ce qu'on observerait sur le terrain.

Des cohortes de validation minuscules et triées (mode d'échec : biais de sélection et de population). Sur les 167 enregistrements d'IRIDIA-AF, 6 patients seulement ont été retenus ; 31 sur 379 pour MobiCARE ; 30 pour la personnalisation d'ICENTIA11K. Les critères d'inclusion (charge en fibrillation inférieure à 60 %, nombre minimal d'épisodes) écartent de fait les patients aux profils extrêmes, et la cohorte européenne est trop petite pour conclure quoi que ce soit (résultat non significatif). Les auteurs notent en outre qu'IRIDIA-AF ne fournit pas d'identifiants patients, si bien qu'on ne peut pas garantir l'unicité des individus. La généralisation à une population large reste donc une question ouverte.

Comparateur faible, décalage de domaine et conflits d'intérêts (modes d'échec : comparateur biaisé et biais de population). Le seul vrai comparateur est le modèle global versus le modèle personnalisé ; aucune référence simple fondée sur la variabilité de la fréquence cardiaque (HRV) n'est implémentée, alors qu'elle aurait constitué une base clinique naturelle (les auteurs l'écartent en invoquant la brièveté de la fenêtre et le bruit). Le modèle est entraîné sur la dérivation I et testé sur la dérivation II pour MobiCARE, un décalage de domaine non négligeable. Enfin, deux auteurs sont employés par SEERS Technology, fabricant du dispositif mobiCARE, et l'auteur senior en est actionnaire et déclare de nombreux liens avec l'industrie — un conflit d'intérêts à garder en tête puisque l'une des trois bases de validation est précisément celle de ce fabricant. L'étude est rétrospective, sans essai prospectif ni approbation réglementaire, et les poids du modèle ne sont pas publiés.

Ce que ça change

Pour la communauté de recherche, le papier offre une base de comparaison reproductible et une recette claire (modèle global puis personnalisation) pour un problème encore peu balisé, la prévision à court terme de la fibrillation. Le code ouvert et l'analyse de la courbe d'apprentissage en font un point de départ honnête pour qui voudra faire mieux — avec des architectures plus récentes que le ResNet, et surtout des seuils et une évaluation représentatifs de la surveillance continue réelle.

Pour les cliniciens, rien ne change aujourd'hui : il s'agit d'un preprint non relu par les pairs, avec une discrimination modeste (AUROC ~0,70), des seuils non transposables et aucune validation prospective. L'idée d'anticiper une crise pour ajuster un traitement reste un horizon crédible, mais le taux de fausses alertes attendu en conditions réelles l'empêche, en l'état, de guider une décision thérapeutique.

Pour les patients et le grand public, le message est mesuré. La promesse d'une montre ou d'un patch qui « prévient avant la crise » est réelle dans son principe, mais ce travail montre surtout le chemin restant : passer d'un signal statistiquement détectable à un outil assez fiable pour ne pas noyer l'utilisateur sous les fausses alarmes. Anticiper n'est pas encore prévenir.

Pour aller plus loin

Le preprint complet est disponible sur arXiv (DOI 10.48550/arXiv.2606.10900), déposé le 9 juin 2026 sous licence CC BY-NC-ND 4.0, par une équipe de l'Université nationale de Séoul, de la CHA University et de SEERS Technology. Le code est publié sous licence MIT sur GitHub. Les bases ICENTIA11K (PhysioNet) et IRIDIA-AF (Zenodo) sont accessibles publiquement ; la base MobiCARE reste privée. Pour le cadre clinique de la fibrillation atriale, les recommandations de la Société européenne de cardiologie (ESC) offrent un point d'entrée fiable.