L'arythmie cardiaque survient lorsque la symphonie habituelle des impulsions électriques qui maintiennent les muscles du cœur synchronisés devient chaotique. Bien que les symptômes soient souvent à peine perceptibles, l'arythmie entraîne des centaines de milliers de décès dus à des imprévus, arrêt cardiaque soudain aux États-Unis chaque année. Un problème majeur qui limite la modélisation pour prédire de tels événements est qu'il est impossible de mesurer et de surveiller toutes les centaines de variables qui se réunissent pour faire battre notre cœur.

Une paire de chercheurs de l'Institut Max Planck pour la dynamique et l'auto-organisation a développé un algorithme qui utilise l'intelligence artificielle de nouvelles façons pour modéliser avec précision les excitations électriques dans le muscle cardiaque. Leur travail, apparaissant dans le chaos , s'appuie sur des équations aux dérivées partielles décrivant les milieux excitables et sur une technique appelée réseaux d'états d'écho (ESN) pour prédire les variables sur les propagations chaotiques des ondes électriques dans le tissu cardiaque.

"Dans ce cas, vous devez essayer d'obtenir cette information sur les quantités que vous ne pouvez pas mesurer à partir de quantités que vous pouvez mesurer, " dit Ulrich Parlitz, un auteur de l'article et un scientifique du groupe de recherche en physique biomédicale de l'Institut Max Planck pour la dynamique et l'auto-organisation. "C'est un problème bien connu mais difficile, pour laquelle nous avons fourni une nouvelle solution utilisant des méthodes d'apprentissage automatique."

Parce que les techniques d'apprentissage automatique sont devenues plus puissantes, certains réseaux de neurones, tels que les ESN, peut représenter des systèmes dynamiques et développer une mémoire d'événements au fil du temps, ce qui peut aider à comprendre comment les signaux électriques arythmiques se désynchronisent.

Le modèle que les chercheurs ont développé comble ces lacunes avec un observateur dynamique. Après avoir entraîné l'algorithme sur un ensemble de données généré par un modèle physique, Parlitz et son associé, Roland Zimmermann, fourni une nouvelle série chronologique des quantités mesurées à l'ESN. Ce processus a permis à l'observateur de prédire les vecteurs d'état. Par exemple, si les chercheurs connaissent la tension dans une certaine zone du cœur à un moment donné, ils peuvent reconstituer le flux des courants calciques.

L'équipe a vérifié son approche avec les données générées par les modèles Barkley et Bueno-Orovio-Cherry-Fenton, qui décrivent la dynamique chaotique qui se produit dans les arythmies cardiaques, même la prédiction croisée des vecteurs d'état avec présence de bruit. "Cet article traite de la prédiction croisée, mais les ESN peuvent également être utilisés pour faire des prédictions de comportement futur, " a déclaré Parlitz.

Comprendre les propriétés électriques du cœur n'est qu'une partie du tableau. Parlitz a déclaré que lui et ses collègues cherchaient à inclure des mesures par ultrasons de la dynamique mécanique interne du cœur. Un jour, le groupe espère combiner différentes formes de mesures avec des modèles des caractéristiques électriques et mécaniques d'un cœur battant pour améliorer le diagnostic et les thérapies des maladies cardiaques. « Nous avons divisé un gros problème en plusieurs plus petits, " a déclaré Parlitz.