" />
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 - CISMeF
Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients
présentant un traumatisme crânien notifié dans le dossier de régulation médicale du
SAMU 33Document
Titre : 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;
Description : 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.;
Pays