Soutenance mémoire
En France, chaque année, environ 46 000 personnes sont victimes d’un arrêt cardio-respiratoire extrahospitalier(ACEH) , en faisant une cause classique d’entrée en réanimation. Elle est grevée d’une morbi-mortalité élevée, due en grande partie à une défaillance hémodynamique lors de la phase initiale du séjour, puis, plus tardivement, à une évolution neurologique péjorative en lien avec des lésions d’anoxo-ischémie. Grâce à l’amélioration de la prise en charge préhospitalière et de la réanimation spécialisée, de plus en plus de patients survivent à la phase initiale, faisant de l’évaluation précoce du pronostic neurologique un véritable défi. L’abondance de la littérature sur ce sujet montre l’importance d’évaluer de façon précise le pronostic neurologique des patients, afin d’éviter une survie avec de lourdes séquelles, mais aussi d’éviter une limitation ou un arrêt des soins inapproprié. Malheureusement, l’évaluation pronostique de l’état neurologique après ACEH reste incertaine . De nombreux outils prédictifs ont été étudiés mais aucun ne permet de trancher de façon certaine chez les patients restant comateux après la phase initiale. A l’heure actuelle, l’évaluation neurologique se fait donc de façon multimodale, en prenant en compte l’évaluation clinique et paraclinique. Les sociétés savantes Européennes et Américaines recommandent toutes de suivre une démarche intégrant plusieurs paramètres afin de réaliser l’évaluation pronostique chez les patients restants comateux après la phase initale . Quand le pronostic reste incertain, il est nécessaire d’attendre avant de confirmer une évolution neurologique péjorative.
Avec ces recommandations, en France et dans les pays pratiquant les limitations et arrêts thérapeutiques, peu de patients survivent avec un mauvais pronostic neurologique et un handicap majeur à long terme . L’enjeu actuel de l’évaluation pronostique neurologique après un ACEH est donc d’identifier le plus précocement possible les patients destinés à une évolution péjorative afin d’éviter un séjour prolongé futilement, source de souffrance pour le patient et ses proches, et entraînant un coût non négligeable, tout en évitant le risque de limitation thérapeutique excessive chez un patient qui aurait pu avoir une bonne évolution neurologique. Devant l’absence d’indicateur parfait, il pourrait être utile d’avoir un outil multimodal adapté à ce contexte afin de prédire la mortalité de la façon la plus précise et la plus précoce possible. A l’heure actuelle, le score de référence pour la prédiction de la mortalité en réanimation est l’IGS II , qui s’applique à toute la population de patients de réanimation et n’est pas spécifique aux patients victimes d’ACEH. L’intelligence artificielle, de plus en plus utilisée dans le domaine médical, et notamment les techniques d’apprentissage automatique, peuvent être particulièrement adaptées à la pronostication. Elles permettent d’analyser et d’exploiter des données abondantes, ce qui peut être intéressant dans ce contexte d’approche multimodale. Notre objectif était donc d’évaluer plusieurs méthodes d’intelligence artificielle dans la prédiction de la mortalité en réanimation après ACEH ressuscité. Dans un premier temps, nous avons étudié parmi les patients entrés à la réanimation polyvalente du CHU de la Timone à Marseille entre 2015 et 2020 après un ACEH ressuscité, quels facteurs étaient associés à la mortalité. Puis nous avons utilisé plusieurs méthodes d’apprentissage automatique, notamment la régression logistique et la technique de classification par forêts aléatoires, afin de réaliser plusieurs algorithmes pouvant améliorer la prédiction de la mortalité en réanimation après un ACEH.
Obtention des données de surveillance continue en réanimation.
Les paramètres étudiés étaient la fréquence cardiaque, la tension artérielle, la température et le BIS. Les mesures de pression artérielle ont été réalisées par l’intermédiaire de cathéters de mesure invasive de pression. La température centrale a été monitorée à l’aide de sondes thermiques vésicales ou œsophagiennes. Les capteurs de BIS (Bi-spectral Index) utilisés étaient de type Quatro, de la marque Mindray, reliés au moniteur Coviden. Le BIS est un signal simplifié de l’EEG (électroencéphalogramme), qui traduit le signal en un chiffre compris entre 0 (tracé isoélectrique) et 100 (activité cérébrale normale d’un patient conscient). On calcule également le rapport de suppression, qui correspond au pourcentage de temps avec un signal isoélectrique pour chaque période de 63 secondes. Son utilisation a été initialement décrite en anesthésie, avec un objectif sous anesthésie générale entre 40 et 60, après exclusion des nombreux facteurs confondants. Le recueil des données au cours des 7 premiers jours de séjour a été réalisé grâce au logiciel ReaScopy conçu par le Dr François Antonini et connecté aux moniteurs de surveillance scopiques de chaque patient, qui enregistre leurs données toutes les 5 secondes.
Les données ont été extraites et enregistrées dans une base de données HL7. Puis, nous avons réalisé un script Python afin de les convertir dans un format utilisable et de créer un dossier individuel par patient. Elles ont ensuite été traitées grâce au logiciel Matlab® (The Mathworks, Nantucket, Massachussetts, USA), afin d’être exploitables. Les artéfacts tels que le flush de l’artère ou les déconnexions du système étaient retirés en utilisant un filtre médian permettant de détecter et régulariser les signaux de fréquence cardiaque et de pression artérielle. Ceci a permis l’obtention de courbes à partir des valeurs enregistrées toutes les 5 secondes.
Analyse de la population et des données médicales
Les statistiques ont été réalisées avec le logiciel Excel. Les résultats pour les données quantitatives sont donnés sous forme de moyennes associées à un intervalle de confiance calculé à 95% ou sous forme de médianes associées à l’intervalle interquartile (IIQ) à 25% et 75%. Les données qualitatives sont données sous forme de pourcentage avec les chiffres de l’effectif.
Analyse univariée
Les variables relevées ont été étudiées afin de retrouver lesquelles étaient significatives entre le groupe des patients non décédés en réanimation et le groupe de patients décédés en réanimation. L’analyse des données était univariée. Pour les variables numériques continues, nous avons réalisé des tests de Student. L’homogénéité des variances des 2 groupes était vérifiée par un test F préalable. Les 2 groupes étant de taille supérieure à 30, nous avons considéré que la distribution était normale. Pour les variables qualitatives, nous avons réalisé des tests de Khi2. Le risque d’erreur accepté était de 5%, et nous avons donc considéré le résultat comme significatif si la valeur du p était inférieure à 0,05.
Analyse des données issues de la surveillance continue en réanimation
L‘analyse des données issues de la surveillance continue en réanimation a été faite avec le logiciel Matlab® (The Mathworks, Nantucket, Massachussetts, USA), et le même risque d’erreur a été choisi. Nous avons réalisé des courbes d’évolution de certains des paramètres obtenus avec ce même logiciel.
|
Table des matières
ABREVIATIONS
INTRODUCTION
MATERIEL ET METHODES
Design de l’étude
Recueil de données
Recueil des données médicales
Obtention des données de surveillance continue en réanimation
Analyse des données
Analyse de la population et des données médicales
Analyse univariée
Analyse des données issues de la surveillance continue en réanimation
Algorithme d’intelligence artificielle
Elaboration des algorithmes
Analyse du pouvoir prédictif des algorithmes
RESULTATS
Caractéristiques de la population
Etudes des données issues du dossier médical
Etude de la performance des différents modèles
Evolution à distance
DISCUSSION
Choix des variables
Absence bilatérale des réflexes pupillaires et cornéens à la 72ème heure
Réponse motrice à la 72ème heure
Marqueur biologique : NSE
La dimension fractale d’Higuchi
Température corporelle
Tension artérielle
Bi-spectral Index
Approche multimodale
Utilisation de l’intelligence artificielle
Evolution à long terme
Limites de l’étude
CONCLUSION
BIBLIOGRAPHIE
ANNEXES
Télécharger le rapport complet
