" />
Utilisation d'un algorithme d'intelligence artificielle dans la prédiction de la mortalité
après arrêt cardiorespiratoire pré-hospitalier - CISMeF
Utilisation d'un algorithme d'intelligence artificielle dans la prédiction de la mortalité
après arrêt cardiorespiratoire pré-hospitalierDocument
Titre : Utilisation d'un algorithme d'intelligence artificielle dans la prédiction de la mortalité
après arrêt cardiorespiratoire pré-hospitalier;
Description : 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. [...];
Pays