Responsable d’un quart des accidents vasculaires cérébraux, la fibrillation auriculaire (FA) est l’arythmie cardiaque la plus répandue. La thérapie d’ablation par cathéter (CA) est de plus en plus utilisée pour traiter la FA, mais ses effets sur le substrat cardiaque ne sont pas suffisamment compris, d’où un taux de réussite très variable. L’électrocardiogramme (ECG) à 12 voies représente un outil non invasif peu coûteux pour caractériser la FA à partir de l’activité électrique du cœur. Cependant, les prédicteurs classiques de l’issue de la CA présentent plusieurs inconvénients, notamment leur calcul manuel sur une seule voie de l’ECG. Cette thèse exploite explicitement le caractère multi-capteur de l’ECG au moyen de techniques de décomposition multivariées, démontrant qu’elles peuvent améliorer la puissance prédictive de certaines propriétés de l’ECG dans le cadre de la CA. L’amplitude des ondes fibrillatoires est corrélée avec le résultat de la CA, et traitée par une méthode multi-capteur basée sur l’analyse en composantes principales (PCA). Des variantes comme la PCA pondérée (WPCA) et la factorisation en matrices non négatives (NMF) peuvent aussi quantifier la variabilité spatio-temporelle de la FA sur l’ECG. La théorie de l’information permet également d’estimer le niveau de corrélation entre les voies de l’ECG, mis en relation avec le résultat de la CA grâce à des approches multi-capteurs. Enfin, une dernière ligne de recherche concerne la réponse ventriculaire manifestée sur la variabilité cardiaque. L’approche paramétrique de processus ponctuel est capable de souligner certaines propriétés de cette variabilité, améliorant ainsi la caractérisation de la FA. / Atrial fibrillation (AF) is the most common sustained arrhythmia encountered in clinical practice, and one of the main causes of stroke. Yet its thorough characterization and treatment remain an open issue. Despite the increasing popularity of the radiofrequency catheter ablation (CA) therapy, very little is known about its impact on heart substrate, leading to rather uncertain success rates. This calls for advanced signal processing tools for quantitatively assessing CA outcome. The surface 12-lead electrocardiogram (ECG), a noninvasive and cost-effective cardiac activity recording modality, provides valuable information about AF. However, some issues affect most of the standard CA outcome predictors, e.g., manual computation and limited single-lead perspective. This thesis aims at explicitly exploiting the ECG’s multilead character through multivariate decomposition tools, so as to enhance the role of some ECG features as CA outcome predictors. Fibrillatory wave amplitude is correlated with CA success in a multilead framework through principal component analysis (PCA). Multivariate approaches also enhance AF spatiotemporal variability measured on the ECG (e.g., weighted PCA, nonnegative matrix factorization), evidencing that the less repetitive the AF pattern, the less likely CA success. Information theory also quantifies interlead similarity between AF patterns, and is linked with CA outcome in a multilead framework. Another perspective focuses on the ventricular response as reflected on heart rate variability (HRV). Point process modeling can highlight certain HRV properties typical of AF in a parametric probabilistic context, helping AF pattern recognition.
| Identifer | oai:union.ndltd.org:theses.fr/2013NICE4122 |
| Date | 12 December 2013 |
| Creators | Meo, Marianna |
| Contributors | Nice, Zarzoso, Vicente, Meste, Olivier |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0017 seconds