Prédiction par apprentissage automatique des évènements critiques présentés par les patients admis aux urgences : de la prédiction pré-hospitalière à l'optimisation du parcours de soin

Machine learning modeling of critical events in emergency situations : from pre-hospital prediction to hospital care pathway optimization

• Auteur / Autrice : Sonia Rafi
• Direction : Marc Cuggia, Guillaume Bouzillé
• Type : Thèse de doctorat
• Discipline(s) : Analyse et traitement de l'information et des images médicales
• Date : Soutenance le 29/11/2023
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de la Vie et de la Santé (Rennes ; 2022-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement du Signal et de l'Image (1969-.... ; Rennes)
• Jury : Président / Présidente : Leslie Guillon-Grammatico
• Jury : Examinateurs / Examinatrices : Cédric Gangloff, Frédéric Holweck, Aurélie Bannay, Sahar Bayat-Makoei
• Jury : Rapporteurs / Rapporteuses : Leslie Guillon-Grammatico, Erik-André Sauleau

Mots clés

Mots clés contrôlés

Premiers soins

Données massives

Hôpitaux -- Services des urgences

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Urgences

Soins critiques

Données massives

Machine learning

Critical care

Emergency medicine

Big data

Résumé

La mise en adéquation des moyens déployés avec le niveau de gravité de chaque patient est un enjeu important pour la pérennisation et l’amélioration du système de santé. L’essor simultané de l’interopérabilité des bases de données permettant la collecte de données normalisées et des statistiques prédictives ouvre de nouvelles perspectives dans ce domaine en laissant supposer qu’il serait possible d’entrainer des modèles prédictifs permettant à la fois d’améliorer le service rendu aux patients en individualisant leur parcours de soin tout en rationalisant l’effort collectif nécessaire à leur prise en charge. Cette thèse avait pour objectif de de prédire la survenue d’évènements critiques chez les patients ayant recours aux urgences en utilisant des modèles basés sur l’apprentissage automatique. Trois articles composent ce travail de recherche. Le premier visait à détecter les arrêts cardiaques préhospitaliers en utilisant les enregistrements vocaux des appels des témoins au SAMU. Dans cette optique, plusieurs modèles ont été développés pour détecter les arrêts cardiaques en se basant sur les caractéristiques acoustiques de la voix de l’appelant. Le deuxième article se concentrait sur l’optimisation du diagnostic de COVID-19 en intégrant les tests diagnostiques de référence de type RT-PCR à d’autres éléments clinico-biologiques. Les modèles d’apprentissage automatique développés permettaient une augmentation des performances diagnostiques en ce contexte de pandémie débutante dans l’hypothèse d’une stratégie « zero-COVID ». Le troisième article avait pour objectif la prédiction de quatre évènements critiques chez les patients hospitalisés après un passage aux urgences : la survenue d’un décès, la nécessité d’ intubation, la réanimation cardiopulmonaire et la décision de réaliser des soins palliatifs. Des modèles de forêt aléatoire y ont été développés en intégrant des données les plus exhaustives possibles afin d’établir un profil détaillé des patients : dates d’amission, temps de passages, antécédents, observations médicales, constantes vitales, examens biologiques et compte rendus d’imagerie. Une excellente performance pour la prédiction des quatre événements d’intérêt à été retrouvée dans cet article. Des limites ont par ailleurs été identifiées, comme la nécessité de valider ces approches dans des contextes cliniques réels et d’explorer davantage leur interprétabilité en pratique quotidienne. Ce travail de recherche apporte une contribution significative pour la prédiction des évènements critiques et permettra le développement d’ applications visant à améliorer le parcours de soin des patients confrontés à une situation clinique susceptible de mettre en jeu leur pronostic vital.

The challenge of adjusting the resources deployed to match the level of severity for each patient is an important issue for the sustainability and improvement of the healthcare system. The simultaneous development of database interoperability, enabling the collection of standardized data, and of predictive statistics is opening up new prospects in this field, suggesting that it may be possible to train predictive models to improve the service provided to patients by individualizing their journey through the care system, while rationalizing the collective effort required for their care. The aim of this thesis was to predict the occurrence of critical events in emergency patients, using models based on machine learning. Three articles are included in this work. The first was aimed at detecting pre-hospital cardiac arrest using voice recordings of witness calls to the SAMU. To this end, several models were developed to detect cardiac arrest based on the acoustic characteristics of the caller's voice. The second article focused on optimizing the diagnosis of COVID-19 by integrating reference RT-PCR diagnostic tests with other clinico-biological elements. Machine learning models were developed to improve diagnostic performance in the context of an emerging pandemic, based on the hypothesis of a "zero-COVID" strategy. The objective of the third article was to predict four critical events in hospitalized patients after a passage through the emergency department: death, intubation, cardiopulmonary resuscitation and palliative care. Random forest models were developed, integrating the most exhaustive data possible to provide in-depth patient profiling: admission dates, length of stay, history, medical observations, vital signs, biological examinations and imaging reports. This article demonstrated an excellent performance in predicting the four events of interest. Limitations were also identified, such as the need to validate these approaches in real clinical settings. This research work makes a significant contribution to the prediction of critical events, and will enable the development of applications designed to improve the care of patients faced with life-threatening clinical situations.