Machine learning and deep learning techniques are now used extensively for atrial fibrillation (AF) screening, but their use for AF crisis forecasting has yet to be assessed in a clinical context.

To assess the value of two machine learning algorithms for the short-term prediction of paroxysmal AF episodes.

We conducted a retrospective study from an outpatient clinic. We developed a deep neural network model that was trained for a supervised binary classification, differentiating between RR interval variations that precede AF onset and RR interval variations far from any AF. We also developed a random forest model to obtain forecast results using heart rate variability variables, with and without premature atrial complexes.

In total, 10,484 Holter electrocardiogram recordings were screened, and 250 analysable AF onsets were labelled. The deep neural network model was able to distinguish if a given RR interval window would lead to AF onset in the next 30 beats with a sensitivity of 80.1% (95% confidence interval 78.7–81.6) at the price of a low specificity of 52.8% (95% confidence interval 51.0–54.6). The random forest model indicated that the main factor that precedes the start of a paroxysmal AF episode is autonomic nervous system activity, and that premature complexes add limited additional information. In addition, the onset of AF episodes is preceded by cyclical fluctuations in the low frequency/high frequency ratio of heart rate variability. Each peak is itself followed by an increase in atrial extrasystoles.

The use of two machine learning algorithms for the short-term prediction of AF episodes allowed us to confirm that the main cause of AF crises lies in an imbalance in the autonomic nervous system, and not premature atrial contractions, which are, however, required as a final firing trigger.

Les réseaux de neurones sont maintenant largement utilisés pour le dépistage de la FA, mais leur utilisation pour la prévision d’une crise de FA n’a pas encore été évaluée dans un contexte clinique.

Évaluer la valeur de deux algorithmes d’apprentissage automatique pour la prédiction à court terme des épisodes de FA paroxystique.

Nous avons mené une étude rétrospective à partir d’une clinique ambulatoire. Nous avons développé un modèle de réseau neuronal profond, entraîné pour une classification binaire supervisée distinguant les variations des intervalles RR qui précèdent un début de FA et les variations des intervalles RR éloignés de toute FA. Nous avons également mis au point un modèle interprétable de forêt aléatoire utilisant les paramètres de variabilité, avec ou sans extrasystoles supraventriculaires.

Au total, 10 484 enregistrements d’électrocardiogrammes Holter ont été analysés et 250 cas de FA ont été labélisés. Le modèle de réseau neuronal profond a permis de prévoir si une fenêtre d’intervalle RR donnée conduisait à un début de FA dans les 30 battements suivants avec une sensibilité de 80,1 % (IC95 % 78,7–81,6) au prix d’une spécificité de 52,8 % (IC95 % 51,0–54,6). Nous avons également mis au point un modèle interprétable de forêt aléatoire utilisant les paramètres de variabilité, avec ou sans extrasystoles supraventriculaires. Le modèle interprétable de forêt aléatoire révèle que le principal facteur prévisionnel se trouve dans l’activité du système nerveux autonome, les extrasystoles supraventriculaires ajoutant des informations supplémentaires limitées. De plus le début des épisodes de FA est précédé par des variations cycliques du rapport basses fréquences/hautes fréquences des paramètres fréquentiels de la variabilité du rythme sinusal. Chaque pic est lui-même suivi d’une augmentation des extrasystoles auriculaires.

L’utilisation de deux algorithmes d’apprentissage automatique pour la prédiction à court terme des épisodes de FA nous a permis de confirmer que le principal responsable de la crise de FA est un déséquilibre du système nerveux autonome et non les extrasystoles auriculaires qui sont cependant indispensables en tant que gachette déclenchante finale.