Predicting symptomatic intracranial haemorrhage in acute ischemic stroke: introduction to a clinical-radiological and mri-based machine learning approach - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2021

Predicting symptomatic intracranial haemorrhage in acute ischemic stroke: introduction to a clinical-radiological and mri-based machine learning approach

Prédire la transformation hémorragique symptomatique à la suite d'un infarctus cérébral : introduction à une approche clinico-radiologique en machine learning et basée sur l'IRM

Résumé

Ischemic stroke is a leading cause of death and disability in adult. Reperfusion therapies using intravenous thrombolysis (IVT) and endovascular interventions such as mechanical thrombectomy (MT) improve functional outcomes in patients with acute ischemic stroke (AIS) but unfortunately, these therapeutics increase the risk of intracranial haemorrhage (ICH) of ischemic brain tissue. Several definitions and classifications exist to define this complication, on a clinical or radiological level. However, high evidence indicates that symptomatic ICH (sICH) is the most relevant definition as it is most correlated with poor outcome. Several methods, based on clinical and/or radiological data, failed to predict the risk of haemorrhagic transformation in clinical practice. We attempted a new approach by training a supervised machine learning (ML) algorithm on clinical and MRI data within a 100 subjects cohort of patients with anterior circulation AIS treated by IVT and/or MT who underwent sICH (n=28), non-symptomatic ICH (n=27) and 45 controls with no bleeding, matched on clinical severity and age. We compared ML algorithm accuracy to the performance of the clinical Totaled Health Risks in Vascular Events (THRIVE) score and to the radiological Alberta Stroke Program Early CT Score applied to MR imaging (DWI-ASPECTS). ML algorithm predicted sICH with an Area Under receiver operating characteristic Curve (AUC) of 0.658 (CI 95% [0.534 – 0.783]). Applied in the cohort, estimated AUC of THRIVE score and DWI-ASPECTS were 0.664 (CI 95% [0.548 – 0.781]) and 0.634 (IC 95% [0.508 – 0.761]), respectively. Although it do not outperform current tools, this work showed that this algorithm was able to synthesize all clinical and radiological data provided and integrating the variety of information provided by MR imaging to provide a probability of sICH. Further studies are needed to improve these performances. Enlarging dataset is needed to improve learning phase, reduce overfitting risk and allow a 3D analysis to avoid data loss. More relevant clinical and radiological data could also be integrated to improve performances. Validation of these results on a more heterogeneous external population is also required.
L'accident vasculaire cérébral ischémique est l'une des principales causes de décès et d'invalidité chez l'adulte. Les thérapies de reperfusion utilisant la thrombolyse intraveineuse (TIV) et les traitements endovasculaires telles que la thrombectomie mécanique (TM) améliorent les résultats fonctionnels chez les patients ayant subi un accident ischémique cérébral (AIC) aigu, mais malheureusement, ces thérapies augmentent le risque d'hémorragie intracérébrale (HIC) du tissu cérébral ischémique. Plusieurs définitions et classifications existent pour définir cette complication, au niveau clinique ou radiologique. Cependant, de nombreux éléments indiquent que la transformation hémorragique symptomatique (sTH) est la définition la plus pertinente car elle est la mieux corrélée à un mauvais pronostic. Plusieurs méthodes, basées sur des données cliniques et/ou radiologiques, n'ont pas permis de prédire le risque de transformation hémorragique dans la pratique clinique. Nous avons tenté une nouvelle approche en formant un algorithme d'apprentissage machine supervisé (ML) sur des données cliniques et d'IRM au sein d'une cohorte de 100 sujets atteints d'AIS de circulation antérieure traités par IVT et/ou TM qui ont subi une THs (n=28), une TH non symptomatique (n=27) et 45 contrôles sans saignement, appariés en fonction de la gravité clinique et de l'âge. Nous avons comparé la précision de l'algorithme de ML à la performance du score clinique THRIVE (Totaled Health Risks in Vascular Events) et au score radiologique ASPECT (Alberta Stroke Program Early CT Score) appliqué à l'imagerie IRM (DWI-ASPECTS). L'algorithme ML a prédit la THs avec une aire sous la courbe ROC (AUC) de 0,658 (IC 95% [0,534 - 0,783]). Appliquée à la cohorte, les AUC estimées du score THRIVE et du DWI-ASPECTS étaient respectivement de 0,664 (IC 95% [0,548 - 0,781]) et de 0,634 (IC 95% [0,508 - 0,761]). Bien qu'il ne soit pas plus performant que les outils actuels, ces travaux ont montré que cet algorithme était capable de synthétiser toutes les données cliniques et radiologiques fournies et d'intégrer la variété d'informations fournies par l'imagerie IRM pour fournir une probabilité de THs. D'autres travaux sont nécessaires pour améliorer ces performances. L'élargissement de l'ensemble des données est nécessaire pour améliorer la phase d'apprentissage, réduire le risque de surapprentissage et permettre une analyse en 3D pour éviter la perte de données. Des données cliniques et radiologiques plus pertinentes pourraient également être intégrées afin d'améliorer les performances. La validation de ces résultats sur une population externe plus hétérogène est également nécessaire.
Fichier principal
Vignette du fichier
2021GRAL5013_lepilliet_florent_dif.pdf (2.8 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03468513 , version 1 (07-12-2021)

Identifiants

Citer

Florent Lépilliet. Predicting symptomatic intracranial haemorrhage in acute ischemic stroke: introduction to a clinical-radiological and mri-based machine learning approach. Human health and pathology. 2021. ⟨dumas-03468513⟩
29 Consultations
34 Téléchargements

Partager

Gmail Facebook X LinkedIn More