Mechanism and Prediction of Post-Operative Atrial Fibrillation Based on Atrial Electrograms

La fibrillation auriculaire (FA) est une arythmie touchant les oreillettes. En FA, la contraction auriculaire est rapide et irrégulière. Le remplissage des ventricules devient incomplet, ce qui réduit le débit cardiaque. La FA peut entraîner des palpitations, des évanouissements, des douleurs thoraciques ou l’insuffisance cardiaque. Elle augmente aussi le risque d'accident vasculaire. Le pontage coronarien est une intervention chirurgicale réalisée pour restaurer le flux sanguin dans les cas de maladie coronarienne sévère. 10% à 65% des patients qui n'ont jamais subi de FA, en sont victime le plus souvent lors du deuxième ou troisième jour postopératoire. La FA est particulièrement fréquente après une chirurgie de la valve mitrale, survenant alors dans environ 64% des patients. L'apparition de la FA postopératoire est associée à une augmentation de la morbidité, de la durée et des coûts d'hospitalisation. Les mécanismes responsables de la FA postopératoire ne sont pas bien compris. L'identification des patients à haut risque de FA après un pontage coronarien serait utile pour sa prévention. Le présent projet est basé sur l'analyse d’électrogrammes cardiaques enregistrées chez les patients après pontage un aorte-coronaire. Le premier objectif de la recherche est d'étudier si les enregistrements affichent des changements typiques avant l'apparition de la FA. Le deuxième objectif est d'identifier des facteurs prédictifs permettant d’identifier les patients qui vont développer une FA. Les enregistrements ont été réalisés par l'équipe du Dr Pierre Pagé sur 137 patients traités par pontage coronarien. Trois électrodes unipolaires ont été suturées sur l'épicarde des oreillettes pour enregistrer en continu pendant les 4 premiers jours postopératoires. La première tâche était de développer un algorithme pour détecter et distinguer les activations auriculaires et ventriculaires sur chaque canal, et pour combiner les activations des trois canaux appartenant à un même événement cardiaque. L'algorithme a été développé et optimisé sur un premier ensemble de marqueurs, et sa performance évaluée sur un second ensemble. Un logiciel de validation a été développé pour préparer ces deux ensembles et pour corriger les détections sur tous les enregistrements qui ont été utilisés plus tard dans les analyses. Il a été complété par des outils pour former, étiqueter et valider les battements sinusaux normaux, les activations auriculaires et ventriculaires prématurées (PAA, PVA), ainsi que les épisodes d'arythmie. Les données cliniques préopératoires ont ensuite été analysées pour établir le risque préopératoire de FA. L’âge, le niveau de créatinine sérique et un diagnostic d'infarctus du myocarde se sont révélés être les plus importants facteurs de prédiction. Bien que le niveau du risque préopératoire puisse dans une certaine mesure prédire qui développera la FA, il n'était pas corrélé avec le temps de l'apparition de la FA postopératoire. Pour l'ensemble des patients ayant eu au moins un épisode de FA d’une durée de 10 minutes ou plus, les deux heures précédant la première FA prolongée ont été analysées. Cette première FA prolongée était toujours déclenchée par un PAA dont l’origine était le plus souvent sur l'oreillette gauche. Cependant, au cours des deux heures pré-FA, la distribution des PAA et de la fraction de ceux-ci provenant de l'oreillette gauche était large et inhomogène parmi les patients. Le nombre de PAA, la durée des arythmies transitoires, le rythme cardiaque sinusal, la portion basse fréquence de la variabilité du rythme cardiaque (LF portion) montraient des changements significatifs dans la dernière heure avant le début de la FA. La dernière étape consistait à comparer les patients avec et sans FA prolongée pour trouver des facteurs permettant de discriminer les deux groupes. Cinq types de modèles de régression logistique ont été comparés. Ils avaient une sensibilité, une spécificité et une courbe opérateur-receveur similaires, et tous avaient un niveau de prédiction des patients sans FA très faible. Une méthode de moyenne glissante a été proposée pour améliorer la discrimination, surtout pour les patients sans FA. Deux modèles ont été retenus, sélectionnés sur les critères de robustesse, de précision, et d’applicabilité. Autour 70% patients sans FA et 75% de patients avec FA ont été correctement identifiés dans la dernière heure avant la FA. Le taux de PAA, la fraction des PAA initiés dans l'oreillette gauche, le pNN50, le temps de conduction auriculo-ventriculaire, et la corrélation entre ce dernier et le rythme cardiaque étaient les variables de prédiction communes à ces deux modèles.Atrial fibrillation (AF) is an abnormal heart rhythm (cardiac arrhythmia). In AF, the atrial contraction is rapid and irregular, and the filling of the ventricles becomes incomplete, leading to reduce cardiac output. Atrial fibrillation may result in symptoms of palpitations, fainting, chest pain, or even heart failure. AF is an also an important risk factor for stroke. Coronary artery bypass graft surgery (CABG) is a surgical procedure to restore the perfusion of the cardiac tissue in case of severe coronary heart disease. 10% to 65% of patients who never had a history of AF develop AF on the second or third post CABG surgery day. The occurrence of postoperative AF is associated with worse morbidity and longer and more expensive intensive-care hospitalization. The fundamental mechanism responsible of AF, especially for post-surgery patients, is not well understood. Identification of patients at high risk of AF after CABG would be helpful in prevention of postoperative AF. The present project is based on the analysis of cardiac electrograms recorded in patients after CABG surgery. The first aim of the research is to investigate whether the recordings display typical changes prior to the onset of AF. A second aim is to identify predictors that can discriminate the patients that will develop AF. Recordings were made by the team of Dr. Pierre Pagé on 137 patients treated with CABG surgery. Three unipolar electrodes were sutured on the epicardium of the atria to record continuously during the first 4 post-surgery days. As a first stage of the research, an automatic and unsupervised algorithm was developed to detect and distinguish atrial and ventricular activations on each channel, and join together the activation of the different channels belonging to the same cardiac event. The algorithm was developed and optimized on a training set, and its performance assessed on a test set. Validation software was developed to prepare these two sets and to correct the detections over all recordings that were later used in the analyses. It was complemented with tools to detect, label and validate normal sinus beats, atrial and ventricular premature activations (PAA, PVC) as well as episodes of arrhythmia. Pre-CABG clinical data were then analyzed to establish the preoperative risk of AF. Age, serum creatinine and prior myocardial infarct were found to be the most important predictors. While the preoperative risk score could to a certain extent predict who will develop AF, it was not correlated with the post-operative time of AF onset. Then the set of AF patients was analyzed, considering the last two hours before the onset of the first AF lasting for more than 10 minutes. This prolonged AF was found to be usually triggered by a premature atrial PAA most often originating from the left atrium. However, along the two pre-AF hours, the distribution of PAA and of the fraction of these coming from the left atrium was wide and inhomogeneous among the patients. PAA rate, duration of transient atrial arrhythmia, sinus heart rate, and low frequency portion of heart rate variability (LF portion) showed significant changes in last hour before the onset of AF. Comparing all other PAA, the triggering PAA were characterized by their prematurity, the small value of the maximum derivative of the electrogram nearest to the site of origin, as well as the presence of transient arrhythmia and increase LF portion of the sinus heart rate variation prior to the onset of the arrhythmia. The final step was to compare AF and Non-AF patients to find predictors to discriminate the two groups. Five types of logistic regression models were compared, achieving similar sensitivity, specificity, and ROC curve area, but very low prediction accuracy for Non-AF patients. A weighted moving average method was proposed to design to improve the accuracy for Non-AF patient. Two models were favoured, selected on the criteria of robustness, accuracy, and practicability. Around 70% Non-AF patients were correctly classified, and around 75% of AF patients in the last hour before AF. The PAA rate, the fraction of PAA initiated in the left atrium, pNN50, the atrio-ventricular conduction time, and the correlation between the latter and the heart rhythm were common predictors of these two models