Peut-on prédire la résécabilité d'une carcinose péritonéale ? Contribution du Machin Learning comme aide à la décision - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2017

Peut-on prédire la résécabilité d'une carcinose péritonéale ? Contribution du Machin Learning comme aide à la décision

Résumé

Introduction : L’objectif de cette étude était de prédire la résécabilité de la CP en utilisant un modèle de ML d’aide à la décision, chez des patients éligibles à une procédure de CRS associée à une CHIP.
Matériels et Méthodes : L’étude a été réalisée en intention de traiter, à partir de trois bases de données, deux rétrospectives et une prospective entre janvier 2000 et décembre 2015. Un score de propension a permis d’obtenir deux groupes de patients comparables et appariés. Les deux groupes de patients sont ainsi répartis entre un groupe non résection et un groupe résection. Ensuite, plusieurs modèles d’algorithmes de classification ont été étudiés (classification simple, par arbre conditionnel, SVM, Random Forest) afin de déterminer le modèle ayant la performance de précision la plus élevée.
Résultats : Après réalisation du score de propension, deux groupes de 155 patients ont été obtenus, un groupe non résection et un groupe résection. Neuf critères de non-résécabilité ont été retenus traduisant l’atteinte d’organe. Ils ont été recodés afin d’en préciser l’importance. Cinq algorithmes de classification ont été testés. La base d’entrainement comprenait 218 patients et la base test 92. Le modèle de Random Forest était le plus performant avec une précision de presque 98%. Seulement deux erreurs de prédiction ont été observées.
Conclusion : Un modèle de ML par Random Forest nous a permis de prédire la résécabilité d’une CP. L’implémentation d’un plus grand nombre de patients permettra d’améliorer la précision de la prédiction. L’implémentation de variables supplémentaires comme la cœlioscopie pourrait permettre de diminuer le nombre de procédure « O&C ».
Fichier principal
Vignette du fichier
2017NICEM062.pdf (4.9 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

dumas-01634671 , version 1 (14-11-2017)

Identifiants

  • HAL Id : dumas-01634671 , version 1

Citer

Alexandre Maubert. Peut-on prédire la résécabilité d'une carcinose péritonéale ? Contribution du Machin Learning comme aide à la décision. Médecine humaine et pathologie. 2017. ⟨dumas-01634671⟩
66 Consultations
776 Téléchargements

Partager

Gmail Facebook X LinkedIn More