Skip to Main content Skip to Navigation
Master Thesis

Utilisation d'un algorithme d'intelligence artificielle dans la prédiction de la mortalité après arrêt cardiorespiratoire pré-hospitalier

Résumé : Introduction : l’arrêt cardiaque extra hospitalier (ACEH) est un motif classique d’entrée en réanimation. Après la phase initiale, l’enjeu est d’identifier les patients destinés à une mauvaise évolution neurologique, et l’obtention d’un pronostic fiable et précoce est un véritable défi. Devant l’absence d’indicateur parfait, une approche multimodale est nécessaire, et les techniques d’intelligence artificielle de type apprentissage automatique peuvent s’avérer particulièrement adaptées. Notre objectif était l’évaluation de plusieurs algorithmes d’intelligence artificielle dans la prédiction de la mortalité en réanimation après ACEH. Matériel & méthodes : il s’agit d’une étude de cohorte observationnelle, rétrospective et monocentrique, réalisée au sein du service de réanimation polyvalente du centre hospitalo-universitaire de la Timone à Marseille. Les patients admis après ACEH entre janvier 2015 et juillet 2020 ont été inclus. Les données analysées dans un premier temps portaient sur les caractéristiques de l’ACEH, les facteurs pronostiques et les données issues de la surveillance continue en réanimation. A partir de l’analyse de ces données, les paramètres s’avérant être les plus intéressants ont été intégrés dans 4 algorithmes. Le modèle 2 était un algorithme de régression logistique, intégrant le score TAREA (calculé à partir de l’IGS II, de la dimension fractale d’Higuchi (indice traduisant la complexité de la courbe de fréquence cardiaque) et de la pression artérielle diastolique moyenne des premières 24 heures). Les 3 autres modèles étaient des algorithmes d’apprentissage automatique utilisant une technique de forets aléatoires, et la fiabilité était testée par une technique interne de validation croisée. Le modèle 3 intégrait le sexe, le score IGS II, l’étiologie, la durée de no flow, la durée de low flow, la présence de témoins, la présence d’un rythme choquable initial et le taux de créatininémie initial. Le Modèle 4 intégrait le score TAREA, l’étiologie, la présence d’un rythme choquable, et le taux de NSE (Neuron-Specific Enolase) entre 48 et 72 heures après l’ACEH. Le Modèle 5 intégrait les mêmes valeurs, ainsi que le score de Glasgow moteur à la 72ème heure. Le critère de jugement principal était la précision de la prédiction de la mortalité en réanimation, en comparaison avec le score IGS II, prédictif de la mortalité en réanimation. Résultats & Discussion : nous avons inclus 139 patients, et pu analyser les données issues de la surveillance continue en réanimation de 107 d’entre eux. L’âge médian était de 61 ans (IIQ 51-71). Le taux de mortalité était de 60,4%. Les performances des modèles 2 (sensibilité : 78,1% ; spécificité : 72,1% ; AUC : 0,88), 3 (sensibilité : 87,5%, ; spécificité : 60,5% ; AUC : 0,85), 4 (sensibilité : 92,2% ; spécificité : 74,4% ; AUC : 0,91) et 5 (sensibilité : 89,1% ; spécificité : 90,7% ; AUC : 0,96) étaient supérieures à celles de l’IGS II (sensibilité : 87,5% ; spécificité de 51,2% ; AUC :0,80) en termes de spécificité et d’aire sous la courbe ROC. Nos modèles permettaient donc une prédiction plus fiable de la mortalité en réanimation après ACEH, en se basant sur des indices faciles à obtenir de façon précoce en réanimation. Comme toutes les études portant sur l’ACEH, cette étude est sujette au biais de prophétie auto réalisatrice. C’est aussi une étude de petite envergure, et ses résultats nécessitent d’être validés sur une cohorte externe prospective. Conclusion : l’utilisation de techniques d’apprentissage automatique dans la prédiction de la mortalité après ACEH semble être prometteuse, et confirme l’intérêt croissant de l’intelligence artificielle dans le domaine médical.
Complete list of metadata

https://dumas.ccsd.cnrs.fr/dumas-03188765
Contributor : Faculté de Médecine Amu Connect in order to contact the contributor
Submitted on : Friday, April 2, 2021 - 2:13:27 PM
Last modification on : Tuesday, October 19, 2021 - 10:35:23 PM
Long-term archiving on: : Saturday, July 3, 2021 - 6:31:22 PM

File

thèse version finale corrigé...
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-03188765, version 1

Collections

Citation

Audrey Gazounaud. Utilisation d'un algorithme d'intelligence artificielle dans la prédiction de la mortalité après arrêt cardiorespiratoire pré-hospitalier. Sciences du Vivant [q-bio]. 2021. ⟨dumas-03188765⟩

Share

Metrics

Record views

83

Files downloads

79