The Role of Artificial Intelligence and Machine Learning in Clinical Cardiac Electrophysiology

• Published in: Canadian journal of cardiology Vol. 38; no. 2; pp. 246 - 258
• Main Authors: Ng, Ben, Nayyar, Sachin, Chauhan, Vijay S.
• Format: Journal Article
• Language: English
• Published: England Elsevier Inc 01.02.2022
• Subjects: Algorithms; Artificial Intelligence; Automation - methods; Cardiology; Cardiovascular Diseases - diagnosis; Electrophysiologic Techniques, Cardiac - methods; Humans; Machine Learning
• ISSN: 0828-282X; 1916-7075
• DOI: 10.1016/j.cjca.2021.07.016

In recent years, numerous applications for artificial intelligence (AI) in cardiology have been found, due in part to large digitized data sets and the evolution of high-performance computing. In the discipline of cardiac electrophysiology (EP), a number of clinical, imaging, and electrical waveform data are considered in the diagnosis, prognostication, and management of arrhythmias, which lend themselves well to automation through AI. But equally relevant, AI offers a unique opportunity to discover novel EP concepts and improve clinical care through its inherent, hierarchical tenets of self-learning. In this review we focus on the application of AI in clinical EP and summarize state-of-the art, large, clinical studies in the following key domains: (1) electrocardiogram-based arrhythmia and disease classification; (2) atrial fibrillation source detection; (3) substrate and risk assessment for atrial fibrillation and ventricular tachyarrhythmias; and (4) predicting outcomes after cardiac resynchronization therapy. Many are small, single-centre, proof-of-concept investigations, but they still show ground-breaking performance of deep learning, a subdomain of AI, which surpasses traditional statistical analysis. Larger studies, for instance classifying arrhythmias from electrocardiogram recordings, have further provided external validation of their high accuracy. Ultimately, the performance of AI is dependent on the quality of the input data and the rigour of algorithm development. The field is still nascent and several barriers will need to be overcome, including prospective validation in large, well labelled data sets and more seamless information technology-based data collection/integration, before AI can be adopted into broader clinical EP practice. This review concludes with a discussion of these challenges and future work. Ces dernières années, de nombreuses applications relatives à l'intelligence artificielle (IA) en cardiologie ont été découvertes, en partie grâce aux vastes ensembles de données numérisées et à l'évolution du calcul haute performance. Dans la discipline de l'électrophysiologie cardiaque (EP), un certain nombre de données cliniques, d'imagerie et de types d'ondes électriques sont prises en compte dans le diagnostic, le pronostic et la prise en charge des arythmies, qui se prêtent bien à l'automatisation par l'IA. Mais de façon toute aussi pertinente, l'IA offre une occasion unique de découvrir de nouveaux concepts associés à l'EP et d'améliorer les soins cliniques grâce à ses principes inhérents et hiérarchiques d'auto-apprentissage. Dans cet article de revue, nous nous concentrons sur l'application de l'IA à l'EP clinique et synthétisons l'état de l'art, les grandes études cliniques dans les domaines clés suivants : (1) classification des arythmies et des pathologies basée sur l'électrocardiogramme; (2) détection de la source de la fibrillation auriculaire; (3) évaluation du substrat et du risque de fibrillation auriculaire et de tachyarythmie ventriculaire; et (4) prédiction du pronostic après une thérapie de resynchronisation cardiaque. Il s'agit souvent de petites études, monocentriques, de validation du concept, mais elles n'en présentent pas moins les performances révolutionnaires de l'apprentissage profond, un sous-domaine de l'IA, qui surpasse l'analyse statistique traditionnelle. Des études de plus grande envergure, portant par exemple sur la classification des arythmies à partir d'enregistrements d'électrocardiogrammes, ont fourni une validation externe de leur grande précision. En définitive, les performances de l'IA dépendent de la qualité des données d'entrée et de la rigueur du développement des algorithmes. Ce domaine en est encore à ses débuts et plusieurs obstacles devront être surmontés, notamment la validation prospective dans de grands ensembles de données bien identifiées et une collecte/intégration des données plus transparente basée sur les technologies de l'information, avant que l'IA ne puisse être adoptée plus largement dans la pratique clinique de l'EP. Cette revue se termine par une discussion sur ces défis et les développements futurs.