Prédiction rapide de l’activation cardiaque dans le ventricule gauche par deep learning géométrique : un pas vers la planification de la thérapie de resynchronisation cardiaque

Pourquoi le timing compte pour un cœur en difficulté

Pour de nombreuses personnes souffrant d’insuffisance cardiaque sévère, de petites impulsions électriques délivrées par un dispositif implanté peuvent aider les principales chambres de pompage du cœur à se contracter de manière plus synchronisée. Ce traitement, appelé thérapie de resynchronisation cardiaque, peut soulager les symptômes et prolonger la vie. Pourtant, environ un patient sur trois bénéficie peu du traitement, souvent parce que le fil de stimulation posé du côté gauche du cœur ne peut pas être placé à l’emplacement optimal. Cette étude examine si des modèles informatiques alimentés par l’intelligence artificielle moderne peuvent prédire rapidement la propagation de l’électricité dans le ventricule gauche et aider les médecins à choisir des sites de stimulation adaptés à chaque patient.

Des simulations lentes à des prédictions instantanées

Les modèles informatiques les plus précis du cœur reposent aujourd’hui sur des équations complexes qui reproduisent la façon dont les signaux électriques se propagent dans le muscle cardiaque. Bien que détaillées, ces simulations peuvent nécessiter plusieurs minutes sur des ordinateurs puissants—trop lent pour une utilisation de routine pendant une procédure médicale. Les auteurs ont cherché à construire des modèles « surrogates » rapides capables d’apprendre à partir de ces simulations lourdes puis de reproduire leurs résultats quasi instantanément. Ils se sont concentrés sur le ventricule gauche, la principale chambre de pompage du cœur, et sur la prédiction de « cartes de temps d’activation », qui montrent la rapidité avec laquelle différentes régions de cette chambre sont électriquement activées lors d’un battement.

Apprendre à l’IA le langage des formes cardiaques

Le cœur de chaque personne présente une forme légèrement différente, et ces différences influent sur la propagation des ondes électriques. Plutôt que de forcer tous les cœurs dans une grille rigide, les chercheurs ont utilisé une famille de méthodes appelée deep learning géométrique, qui peut travailler directement sur des formes irrégulières. Ils ont développé et comparé deux approches apparentées. L’une, basée sur un réseau de neurones graphe, considère le ventricule gauche comme un ensemble de points connectés en maillage. L’autre, appelée opérateur neural informé de la géométrie, encode d’abord cette forme irrégulière sur une grille interne régulière, la traite, puis retranscrit le résultat sur l’anatomie d’origine. Les deux modèles prennent en entrée la forme tridimensionnelle du cœur, les emplacements de stimulation et la conductivité tissulaire, puis prédisent comment l’activation se propage à travers la paroi musculaire.

Construire une population virtuelle de cœurs

Comme de grandes collections de données patient réelles avec des cartes d’activation tridimensionnelles complètes sont rares, l’équipe a généré son propre jeu de données virtuel. Ils sont partis de 75 formes réelles de ventricule gauche couvrant des cœurs sains et malades et ont utilisé un modèle statistique de formes pour créer 35 000 variantes synthétiques. Pour chacune, ils ont assigné des directions de fibres musculaires réalistes, choisi un ou deux sites de stimulation et fait varier la conductivité tissulaire sur une large plage. Des simulations physiques détaillées ont produit des cartes de temps d’activation pour tous ces cœurs virtuels, qui ont ensuite servi à entraîner et tester les modèles de deep learning. Les modèles ont également été mis au défi avec des maillages de résolution supérieure et des géométries ventriculaires gauches issues de deux cohortes cliniques indépendantes pour évaluer leur généralisation au‑delà de l’ensemble d’entraînement synthétique.

Quelle a été la performance des modèles ?

Sur des cœurs synthétiques similaires à ceux sur lesquels ils avaient été entraînés, les deux modèles ont prédit des cartes d’activation avec de faibles erreurs, mais l’opérateur neural informé de la géométrie s’est révélé environ deux fois plus précis que le réseau de neurones graphe. Lorsque les chercheurs sont passés à des formes cardiaques du monde réel, l’erreur a augmenté pour les deux modèles et leurs performances sont devenues comparables. Cela indique que la principale limitation n’est pas la puissance des algorithmes, mais l’écart entre les formes simplifiées d’entraînement et la complexité complète de l’anatomie réelle des patients. Néanmoins, les modèles pouvaient produire des prédictions en millisecondes—beaucoup plus vite que les environ dix minutes nécessaires pour une simulation traditionnelle—ce qui les rend attrayants pour des tâches demandant des milliers d’évaluations répétées, comme l’exploration de nombreux sites de stimulation potentiels.

Tester un outil de planification virtuel

L’équipe a ensuite intégré les modèles entraînés dans un flux de travail de preuve de concept pour la planification de la thérapie de resynchronisation. À partir d’une forme de ventricule gauche et d’une carte d’activation bruitée destinée à imiter des mesures cliniques, le flux de travail remontait d’abord pour estimer le site de stimulation intrinsèque du patient et la conductivité tissulaire. Il cherchait ensuite, sur la surface du ventricule, un second emplacement de stimulation qui minimiserait le temps d’activation global, une quantité liée dans des études antérieures à une meilleure réponse au traitement. Les deux modèles de deep learning ont pu retrouver des paramètres clés propres au sujet à partir de données bruitées et proposer des sites de stimulation qui raccourcissaient substantiellement le temps d’activation, le tout en quelques dizaines de secondes sur un seul processeur graphique. Les auteurs ont également construit une interface web où les utilisateurs peuvent téléverser des géométries, explorer des scénarios de stimulation et exécuter cette optimisation de manière interactive.

Ce que cela signifie pour les patients

Ce travail montre que des modèles de deep learning entraînés avec soin peuvent imiter des simulations électriques détaillées du ventricule gauche pour de nombreuses formes et configurations de stimulation, et le faire suffisamment rapidement pour être intégrés dans des outils de planification. Bien que les modèles actuels reposent sur des données d’entraînement synthétiques et ne considèrent que le comportement électrique du ventricule gauche, ils posent les bases de jumeaux numériques plus complets incluant les deux côtés du cœur et son action mécanique de pompage. Avec des données réelles plus riches et des améliorations supplémentaires, de tels outils pourraient un jour permettre aux cliniciens de tester de nombreuses stratégies de stimulation sur ordinateur avant d’intervenir en clinique, augmentant ainsi les chances que chaque patient reçoive une configuration d’appareil qui restaure réellement le rythme de son cœur.

Citation: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

Mots-clés: thérapie de resynchronisation cardiaque, deep learning géométrique, électrophysiologie cardiaque, modélisation spécifique au patient, jumeau numérique