MEETI : un jeu de données ECG multimodal issu de MIMIC‑IV‑ECG avec signaux, images, mesures et interprétations

Pourquoi cela compte pour la santé cardiaque et les soins quotidiens

Chaque année, des millions de personnes voient l’activité électrique de leur cœur enregistrée sous forme de courbes appelées électrocardiogrammes, ou ECG. Ces examens aident les médecins à repérer des troubles du rythme dangereux et d’autres affections cardiaques, mais leur lecture prend du temps et nécessite des années de formation. Parallèlement, l’intelligence artificielle a progressé de façon remarquable pour des tâches comme l’interprétation de radiographies ou le résumé de notes médicales, alors que les avancées comparables pour les ECG ont été plus lentes. Cet article présente MEETI, un nouveau type de jeu de données ECG qui rassemble plusieurs vues d’un même examen — signaux, images, chiffres et explications — afin que les ordinateurs puissent apprendre à « comprendre » les ECG d’une manière pertinente pour les médecins et les patients.

Une nouvelle vue tout‑en‑un du battement cardiaque

Les bases de données ECG traditionnelles proposent généralement un seul type d’information : soit le signal électrique brut, soit une image d’ECG ressemblant à du papier millimétré, soit un court rapport écrit. MEETI (abréviation de MIMIC‑IV‑Ext ECG‑Text‑Image) est la première ressource publique de grande ampleur à aligner soigneusement quatre composantes pour chaque ECG : le signal original de 10 secondes issu de 12 dérivations, une image haute résolution qui imite l’imprimé hospitalier, un ensemble de mesures précises battement par battement, et une interprétation écrite détaillée générée par un modèle de langage moderne. Le tout repose sur la vaste collection MIMIC‑IV‑ECG d’un grand centre médical américain, couvrant plus de trois quarts de million d’enregistrements ECG de plus de 160 000 patients. En reliant ces éléments via des identifiants partagés, MEETI transforme chaque ECG en un portrait riche et multi‑couches de l’activité cardiaque.

Comment l’équipe a transformé les signaux en données riches

Pour construire MEETI, les auteurs ont d’abord téléchargé et contrôlé environ 800 000 enregistrements ECG, en s’assurant que chacun était correctement anonymisé et techniquement exploitable. À l’aide d’outils open source, ils ont rendu chaque signal 12‑dérivations dans une mise en page clinique standard à haute résolution, préservant les détails fins sur lesquels s’appuient les cardiologues. Ensuite, ils ont traité chaque ECG avec FeatureDB, une boîte à outils qui détecte automatiquement les portions familières P, QRS et T de chaque battement. À partir de là, le système calcule des mesures clés telles que la fréquence cardiaque, l’intervalle entre les battements, la durée des différentes parties du battement et l’amplitude des ondes. Ces nombres sont stockés pour chaque battement sur chaque dérivation, offrant une vue exceptionnellement détaillée du comportement du rythme cardiaque sur ces 10 secondes.

Apprendre aux modèles de langage à décrire les rythmes cardiaques

Les rapports ECG courts rédigés par des humains sont souvent vagues et ne saisissent pas toujours l’occasion d’expliquer comment un diagnostic se rapporte aux caractéristiques mesurables du tracé. Pour combler cette lacune, l’équipe a conçu des invites soignées pour un modèle de langage de pointe afin qu’il génère des interprétations longues et cliniquement étayées. Pour chaque ECG, le modèle reçoit à la fois le rapport original du clinicien et les paramètres extraits — par exemple des séries de durées de QRS sur plusieurs battements — et est instruit de rester fidèle aux conclusions de l’expert tout en utilisant les mesures comme preuves. Des cardiologues ont participé à la conception et à la relecture de ce processus, confirmant sur des cas échantillons que les explications produites captent les mêmes constatations que les rapports originaux tout en intégrant des chiffres concrets. Le résultat est une description textuelle qui relie ce que l’on voit sur le graphe à des mesures objectives et reproductibles.

Ce que contient la ressource et comment l’utiliser

MEETI est organisé de façon à ce que les chercheurs puissent naviguer facilement du dossier d’un patient vers toutes ses études, et de chaque étude vers son image correspondante, ses signaux, ses paramètres au niveau du battement et son explication fournie par le modèle de langage. Les statistiques récapitulatives sur l’ensemble du jeu de données montrent que les mesures clés, comme le temps moyen entre les battements ou la durée du complexe QRS, se situent dans des plages cliniques attendues et présentent presque aucune valeur manquante, ce qui souligne la qualité et l’exhaustivité du jeu de données. Les auteurs fournissent du code d’exemple pour charger les données et lire les images et les textes, et publient tous les scripts utilisés pour l’extraction des paramètres et la création des images en tant qu’outils open source. Cette structure permet aux scientifiques d’entraîner des modèles qui analysent conjointement les formes d’onde, les images et le langage, et d’explorer des questions allant de la classification automatique des rythmes à la génération de rapports compréhensibles pour les stagiaires et les patients.

Ce que cela signifie pour l’IA cardiaque de demain

Les auteurs concluent que MEETI supprime un goulot d’étranglement majeur dans la construction d’IA utiles et dignes de confiance pour les ECG. En combinant signaux bruts, images de style clinique, mesures fines et explications riches dans une seule ressource publique, le jeu de données permet d’entraîner des systèmes qui font plus que simplement étiqueter un tracé comme « normal » ou « anormal ». À l’avenir, on pourra demander aux modèles de raisonner sur la façon dont des changements spécifiques dans la forme d’onde soutiennent un diagnostic, ou de montrer quels battements et quelles dérivations ont motivé leurs conclusions. Pour les patients, cela pourrait signifier à terme des rapports plus clairs et une détection plus précoce de problèmes subtils ; pour les cliniciens, cela offre des outils qui non seulement égalent la performance des experts mais peuvent aussi s’expliquer. En bref, MEETI pose les bases de la prochaine génération d’IA centrée sur le cœur qui voit, mesure et explique le battement cardiaque en une seule fois.

Citation: Zhang, D., Lan, X., Geng, S. et al. MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations. Sci Data 13, 527 (2026). https://doi.org/10.1038/s41597-026-06796-1

Mots-clés: jeu de données électrocardiogramme, IA médicale multimodale, diagnostic cardiovasculaire, interprétation ECG, apprentissage automatique médical