Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients présentant un traumatisme crânien notifié dans le dossier de régulation médicale du SAMU 33 - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2022

The benefit of artificial intelligence for an automatic data retrieval of patient presenting with traumatic brain injury in medical regulation files of SAMU 33

Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients présentant un traumatisme crânien notifié dans le dossier de régulation médicale du SAMU 33

Résumé

Objectives: predicting diagnosis of traumatic brain injury (TBI) at prehospital stage is challenging, however using prehospital information and machine learning may improve the performance of the predictive model and help for field triage. Materials and Methods: this was a single-centre retrospective study. This study was conducted in a single academic tertiary care emergency department located in Bordeaux. The data from patients using emergency medical service who were assessed by an annotator for being or not a traumatic brain injury between 2009 to 2021 were analysed by the prediction model. Results: we developed and tested a deep learning algorithm to classify TBI on prehospital settings. A total of 1000 patients were included in the final analysis with a 6.6% proportion of TBI. The model yielded an area under receiver-operator curve of 0.97 (0,943 to 1) for the classification of TBI. The model was then use as a tool to describe the diagnosis of TBI in the whole datas. Conclusion: deep learning model resulted in significant performance for the classification of TBI among medical data center of SAMU 33. Further studies are needed for TBI prediction such as prognosis prediction or severity prediction to help out with referrals for emergencies.
Introduction : Le diagnostic d’un traumatisme crânien (TC) en préhospitalier est délicat, mais l’utilisation de paramètres et d’informations préhospitalières couplés au paradigme de l’apprentissage automatique pourrait améliorer la performance des modèles de prédiction et aider au triage des patients. Nous avons développé et testé un algorithme d’apprentissage profond pour classer les dossiers mentionnant un TC sur les données de régulation médicale. Matériel et méthode : Il s’agit d’une étude monocentrique rétrospective et transversale. Cette étude a été conduite dans le Service d’Aide Médicale d’Urgence (SAMU) du centre hospitalier universitaire de Bordeaux. Les données tirées des dossiers de régulation médicales entre 2009 et 2021 ont été annotées comme traumatisme crânien ou non puis analysées par le modèle. Résultats : un total de 1000 patients a été inclus dans l’analyse finale, avec une proportion de TC de 6,6%. Le modèle présentait une aire sous la courbe ROC de 0.97 (0,943-1) pour l’efficacité de classification des TC. Le modèle une fois validé a été appliqué sur l’ensemble du corpus des dossiers de régulation médicale pour une analyse descriptive sur la répartition des TC. Conclusion : le modèle d’apprentissage automatique a démontré une performance exceptionnelle pour la classification des TC parmi les dossiers de régulation médicale du SAMU 33. Des études supplémentaires sont nécessaires pour la prédiction des TC telles que la prédiction du pronostic ou de la sévérité pour aider à l’orientation des patients en préhospitalier.
Fichier principal
Vignette du fichier
Med_spe_2022_Jeanne.pdf (879.38 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03907401 , version 1 (20-12-2022)

Identifiants

  • HAL Id : dumas-03907401 , version 1

Citer

Sewann Jeanne. Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients présentant un traumatisme crânien notifié dans le dossier de régulation médicale du SAMU 33. Sciences du Vivant [q-bio]. 2022. ⟨dumas-03907401⟩
145 Consultations
26 Téléchargements

Partager

Gmail Facebook X LinkedIn More