Etude des facteurs de risque prédictif du risque d’ICR, de devenir neurologique défavorable et de décès

Etude des facteurs de risque prédictif du risque d’ICR, de devenir neurologique
défavorable et de décès

Analyse statistique

Les  variables  continues  (respectivement  catégorielle)  sont  présentées  sous  la  forme  de  moyennes (respectivement médiane) +/‐ écarts types.  Les variables qualitatives sont présentées sous la forme de pourcentages ou d’effectifs. 

   Etude des facteurs de risque prédictif du risque d’ICR

  Une analyse univariée a été utilisée en utilisant les tests du Chi2 ou test exact de Fisher afin  de réaliser la comparaison des variables qualitatives  Concernant la  comparaison  des variables  quantitatives  nous avons  réalisé le  test  de Mann  Whitney (comparaison des médianes) ou le test t de Student (comparaison des moyennes)  Par la suite, les  facteurs indépendants associés à la survenue d’une ICR étaient déterminés  grâce à un modèle de régression logistique. Les variables ayant une valeur de p< 0.05 lors de  l’analyse univariée ont été inclues dans le modèle d’analyse multivariée  Le modèle final exprimait le risque sous forme d’odds ratio (OR) et d’intervalles de confiance  (IC) de 95%. La signification statistique était définie par une valeur de p<0.05 

 Etude du profil hémodynamique et thermique 

La  moyenne  journalière  de  chaque  variable  a  été  réalisée  grâce  au  logiciel Matlab®  (the  Mathworks, Nantucket, Massachussetts, USA) après pré traitement des données notamment  le retrait des artefacts dus au flush et aux épisodes de déconnection des cathéters artériels.  L’enregistrement  des  données  a  concerné  une  durée  maximale  de  séjour  de  21  jours  car  cette période correspond à la période à risque d’occurrence de l’ICR.  Le profil des constantes hémodynamiques et  thermiques au cours du séjour des patients a  été modélisé sous la  forme de courbes temporelles grâce au logiciel Matlab® à partir des  moyennes journalières de chaque variable. Une étude de la variation  relative de la valeur  moyenne journalière de la PAM, PAS, PAD, FC et de la  température centrale a été  réalisée  grâce au test de Mann – Whitney Utest afin de comparer les profils des différents groupes  (ICR + versus ICR‐ ; GOS >4 versus GOS <4, patients décédés versus survivants). 

 Algorithme d’intelligence artificielle 

L’algorithme de type AdaBoost appliqué  aux arbres de décision  Le  modèle  d’IA  de  type  AdaBoost  est  le  modèle  choisi  dans  notre  étude  afin  de  classer  chaque variable explicative en fonction de ses liens avec l’ICR. Le lien de ces variables avec  l’évolution  vers  le  décès  ainsi  que  le  devenir  neurologique  défavorable  ont également été  étudiés comme objectif secondaire.   Un  arbre  de  décision  est  un  outil  d’aide  à  la  décision  représentant  un  ensemble  de  choix  sous  la  forme  graphique  d’un  arbre.  Les  différentes  décisions  possibles  sont  situées  aux  extrémités des branches (les « feuilles » de l’arbre), et sont atteints en fonction de décisions  prises à chaque étape.  AdaBoost  (ou  adaptive  boosting)  est,  en  intelligence  artificielle  et  en  apprentissage  automatique,  un  méta‐algorithme.  Il  peut  être  utilisé  en  association  avec  de  nombreux  autres types d’algorithmes d’apprentissage afin d’en améliorer les performances. Les sorties  des autres algorithmes (appelés classeurs faibles) sont combinées en une somme pondérée  qui représente la sortie finale du classeur boosté. AdaBoost est adaptatif dans le sens où les  classeurs  faibles  subséquents  sont  ajustés  en  faveur  des  échantillons  mal  classés  par  les  classeurs précédents.   AdaBoost est notablement sensible aux données bruitées ou peu corrélées. Toutefois, dans  certains  problèmes,  il  peut  s’avérer  moins  porté  au  surapprentissage  que  d’autres  algorithmes.  Les  sous‐classeurs  utilisés  peuvent  être  des  arbres  de  décision.  D’ailleurs,  AdaBoost (avec des arbres de décision comme classeurs faibles) est souvent désigné comme  le meilleur classeur clé‐en‐main.   AdaBoost  utilise  un  ensemble  d’arbres  de  classification  sur  une  fraction  aléatoire  des  données.  Le  logiciel  déduits  l’ordre  et  l’importance  des  variables  explicatives  ainsi  qu’un  « arbre  moyen ».  Le  logiciel  MatLab©  est  le  logiciel  utilisé  afin  réaliser  l’analyse  de  type  Random Forest dans notre étude.  8  Les  variables  suivantes  ont  été  intégrées  à  l’algorithme :  sexe,  âge,  IMC,  tabagisme,  alcoolisme,  HTA,  vasculopathie,  dyslipidémie,  traitement  antiagrégant,  traitement  anticoagulant, mode de révélation sous la forme de crises convulsives, déficit neurologique à  la prise en charge, score WFNS, score de Fisher , score de Glasgow, score d’Hijdra, territoires  du  polygone  de  Willis  porteur  de  l’anévrysme,  traitement  par  embolisation  et  neurochirurgie,  HTIC  et  OAP  neurogénique,  afin  de  déterminer  leur  lien  avec  le  décès,  l’évolution neurologique défavorable et l’ischémie cérébrale retardée.  Les résultats sont représentés sous la forme d’une courbe ROC pour chacune des 3 variables  à  expliquer.  Y  est  associée  une  matrice  de  confusion  ou  tableau  exprimant  les  données  observées  ainsi  que  les  données  prédites  par  l’algorithme,  ainsi  donc  les  valeurs  de  spécificité, sensibilité, la valeur prédictive positive et négative du test.  Enfin  un  graphique  final  permet  de  représenter  l’importance  du  lien  de  chaque  variable  explicative étudiée avec la variable ICR, décès et pronostic neurologique défavorable. 

Conception du modèle multiparamétrique composite

combinaison d’un modèle de probabilité clinique et d’indices dynamiques  Il s’agit d’une combinaison par produit des 3 probabilités :   L’indice de probabilité clinique à priori déterminé par le modèle AdaBoost appliqué aux arbres de forêt aléatoire après 24h de séjour en réanimation.  L’indice de probabilité hémodynamique permettant de concevoir un indice dynamique. Ce dernier comprend les variations relative des valeurs de pression artérielle (moyenne, systolique  et  diastolique),  de  fréquence  cardiaque  et  de  température ;  le  jour  de survenue  de  l’ICR  pour  le  groupe  présentant  une  ICR  et  de  J6  pour  le  groupe  ne présentant  pas  d’ICR (jour  médian  dans  notre  population  d’occurrence  des  épisodes d’ICR);  par  rapport  aux  valeurs  de  références  établies  à  J2.  Les  variations  relatives  des moyennes horaires ont été réalisées grâce à un test de Mann‐Whitney Utest  L’indice de probabilité  temporel qui  représente l’incidence des épisodes d’ICR de notre population de patients au cours du séjour sous la forme d’une courbe super‐gaussienne. Enfin, un algorithme d’intelligence artificielle (AdaBoost M1) est utilisé pour établir un score  horaire à 2 sorties : ICR présente ou non.   Cette  étude  a  été  approuvée  par  le  CPP  1  Sud  Méditerranée  (RO  –  2015/17)  et  la  CIL  d’établissement.