La capnographie – PetCO2
La capnographie est une technique de mesure de CO2 expiré en fonction du temps généralement utilisée dans les anesthésies et les soins intensifs. Un émetteur envoie des ondes infrarouges vers le receveur à travers le flux gazeux pour savoir l’état du gaz expiré. Les chercheurs ont eu l’idée d’utiliser cette information pour étudier les échanges gazeux à l’intérieur du corps. Alors ils ont commencé par approximer la PaCO2 à partir du CO2 expiré. Par la capnographie on mesure le CO2 de manière continue, mais ce qui nous importe c’est la mesure à la fin de l’expiration. Cette mesure est appelée « end tidal CO2 pressure » (PetCO2) et généralement elle sous-estime la PaCO2. La figure 1.1 représente un capnogramme d’un cycle respiratoire. Plusieurs recherches ont été réalisées pour étudier l’efficacité d’utiliser la PetCO2 pour estimer la PaCO2, la corrélation entre la PetCO2 et la PaCO2 parait être intacte face à un changement de température corporelle. Brothers, Ganio, Hubing, Hastings & Crandall (2011) ont étudié la corrélation chez un groupe de patients avec un stress thermique modéré et un autre avec un stress thermique sévère.
Le changement de température a affecté la PaCO2 et la PetCO2 de la même manière et la corrélation n’a pas changé. Mais il semble que la corrélation est largement dépendante de beaucoup d’autres conditions médicales du patient. McSwain, Hamel, Smith, Gentile, Srinivasan, Meliones & Cheifetz (2010) ont montré que la corrélation entre la PaCO2 et la PetCO2 sont inversement proportionnelles au rapport espace mort sur le volume tidal VD/VT. L’espace mort connu par le « Dead Space » constitue le volume d’air qui ne participe pas dans les échanges gazeux alors que le volume tidal constitue le volume d’air inspiré ou expiré normalement sans effort supplémentaire. La corrélation a diminué de 0,95 pour VD/VT ≤ 0, 40 à 0,78 pour VD/VT > 0, 7. Dans une autre étude reliant la sévérité des maladies pulmonaires à la corrélation PaCO2-PetCO2, Panigrahi, Ahmed, Mishra & V (2018) ont prouvé que la corrélation diminue lorsque la situation devient plus sévère. La sévérité des maladies était évaluée par le rapport PaO2/FiO2, pour les patients oxygénés normalement ayant un rapport PaO2/FiO2 > 200 la corrélation était plus élevée que celle chez les patients hypoxiques ayant un rapport PaO2/FiO2 < 200 (0,93 et 0.86 respectivement).
De plus, le type de ventilation a aussi un effet sur la relation. Razi, Moosavi, Omidi, Saebi & Razi (2012) ont étudié ceci suivant trois modes de ventilation : ventilation invasive (SMIV : « Synchronized Intermittend Mandatory Ventilation »), ventilation non invasive (CPAP : « Continuous Positive Airway Pressure ») et le T-Tubing. La corrélation la plus élevée était dans le mode T-Tubing (r=0,92) puis dans le mode invasif (r=0.89) et la moins élevée dans le mode non invasive (r=0,84). L’efficacité du PetCO2 dans l’estimation du PaCO2 dépend aussi de la nature de la capnographie; Chan, Chan & Gin (2003) ont comparé les résultats obtenus par deux types de capnographies : la capnographie mainstream et la capnographie sidestream. La différence entre ces deux types c’est que dans la première, la PetCO2 est mesurée sur le tuyau principal alors que dans le second, la PetCO2 est mesurée sur un échantillon pris du tuyau principal. Le mainstream a apporté de meilleurs résultats que le sidestream avec une différence de 0,64 kiloPascal (kPa) et 0,99 kPa respectivement.
PCO2 transcutané (PtcCO2)
Une autre façon d’estimer la PaCO2 c’est la PCO2 transcutané. Cette méthode consiste à mesurer la diffusion du CO2 à travers les tissus du corps et la peau à l’aide d’un capteur de surface. Suite au développement technologique, un capteur de surface peut mesurer la PtcCO2 ou bien à la fois la PtcCO2 avec la PaO2 ou la SpO2. Les techniques transcutanées sont plus fiables chez les enfants et les nouveaux nés que chez les adultes puisque leur peau est mince et très vascularisée. Selon Eberhard (2007), la PtcCO2 est supérieure à la PaCO2 en principe puisque : 1) la peau produit elle-même du CO2 qui va s’ajouter au CO2 diffusé, et 2) l’échauffement du capteur cause un apport supplémentaire de CO2. Le métabolisme de la peau ajoute environ 5 mmHg de pression alors que l’élévation de température du capteur ajoute 4.5% par oC. Pour ces raisons, les fabricants de systèmes de PtcCO2 incluent des corrections à leur système. Lermuzeaux, Meric, Sauneuf, Girard, Normand, Lofaso & Terzi (2016) ont fait une étude comparative entre la PetCO2 et la PtcCO2 et leur efficacité dans l’estimation du PaCO2. La corrélation PtcCO2-PaCO2 était supérieure à la corrélation PetCO2-PaCO2 chez les patients adultes non intubés dans les soins intensifs qui souffrent de troubles respiratoires sévères (r=0,97 et r=0,62 respectivement).
Estimation continue du PaCO2 dans la circulation extracorporelle Parmi les techniques qui estiment le PaCO2 d’une manière continue, on distingue le « CDI Blood Parameter monitoring system 500 « ; c’est un équipement utilisé uniquement durant la circulation extracorporelle (CEC) et n’est pas applicable ailleurs. La figure 1.2 représente le principe de cette technique. Un capteur est mis sur la voie veineuse et un autre sur la voie artérielle pour mesurer les pressions veineuses et artérielles. Des émetteurs envoient des ondes excitatrices vers le sang avec des longueurs d’onde différentes, ces ondes vont interagirent avec les molécules du sang et une lumière sera émise. Ensuite, le système capte cette lumière et donne une mesure (pression et pH) dépendamment de l’intensité de la lumière émise; plus l’intensité est élevée signifie un plus grand nombre de particules et alors une mesure élevée. Cette technique est assez rapide et peut donner une estimation du pH, du PCO2 et du PO2 à chaque seconde. Gelsomino et al. (2011) ont fait une étude sur 10 porcs pour tester l’efficacité de cette technique, ils ont trouvé une corrélation r > 0.97 pour le pH, le PCO2, le PO2 et le SO2.
MLP Les MLPs de Gardner & Dorling (1998) sont des réseaux neuronaux « feedforward » c’est-à-dire que les connexions entre les neurones ne forment pas de cycle; chaque couche communique uniquement avec la couche suivante. Ce type de réseaux est très puissant dans la modélisation des problèmes complexes. Les MLPs sont généralement composés d’au moins trois couches : 1) la couche des entrées, 2) la couche cachée et 3) la couche des sorties. Dans plusieurs applications, on peut ajouter deux, trois ou même plus de couches cachées au réseau dans le but d’améliorer les résultats de la prédiction ou de la classification. Chaque neurone de la couche cachée et de la couche de sortie est connecté à tous les neurones de la couche précédente. L’entraînement du réseau est fait d’une manière supervisée c’est-à-dire que le modèle apprend des exemples d’entrées et des sorties correspondantes durant la phase d’apprentissage. Tout d’abord, on fait passer les données dans le réseau, les neurones de la couche des entrées prennent alors les valeurs de ces données. Les couches cachées sont responsables du traitement de l’information et de la sélection des fonctionnalités (features selection) qui semblent être importantes dans l’estimation, classification ou prédiction des données. Et finalement, on obtient les estimations ou les classifications par la couche des sorties. Pour passer d’une couche à une autre, on calcule une préactivation et puis une activation. La préactivation est une combinaison linéaire des neurones, les poids et le biais. Le rôle du biais est similaire à l’ordonnée à l’origine dans l’équation d’une droite. La fonction d’activation est une fonction non linéaire qu’on l’applique sur le résultat de la préactivation. Pour mieux comprendre ce type de réseau de neurones et comment il fonctionne, on a illustré dans la figure 2.1 un réseau MLP de trois couches avec n entrées, m neurones dans la couche cachée et o sorties.
Multi-Layer Perceptron The MLP Gardner & Dorling (1998) is one of the most common artificial neural network architectures. It is made of three main parts : input layer, hidden layer(s) and the output layer. It is a feedforward artificial neural network meaning that the connections between neurons do not form a cycle (each layer communicates exclusively with the next layer). To implement the MLP, we used the scikit-learn library (version 0.20.2 Pedregosa, Varoquaux, Gramfort, Michel, Thirion, Grisel, Blondel, Prettenhofer, Weiss, Dubourg, Vanderplas, Passos, Cournapeau, Brucher, Perrot & Duchesnay (2011)) in Python. The activation function used in our work was the rectified linear unit function (ReLU) because it is more robust to the vanishing gradient problem and more efficient than other activation functions such as logistic function or hyperbolic function.
INTRODUCTION |