AiCR : intelligence artificielle dans l'arrêt cardiaque

L'incidence globale de l'arrêt cardiorespiratoire en Europe est estimée entre 350 000 et 700 000 cas par an. Le taux de survie est estimé à 10,7 % toutes causes de trouble du rythme confondues. Plusieurs exemples d'application de l'IA dans le domaine médical existent. Ting et al. ont développé un outil informatique capable de diagnostiquer la présence d'une rétinopathie diabétique avec une excellente puissance. En réanimation, Celi et al. ont proposé un outil capable de prédire le besoin de remplissage vasculaire par cristalloïdes lors d'un état inflammatoire systémique. Dans Nature en 2018, Komorowski a démontré l'efficacité de l'IA dans la prise en charge hémodynamique du sepsis. Dans une étude sur la réponse rénale à l'épreuve de remplissage vasculaire, Zhang et al. démontrent l'efficacité de l'apprentissage automatique.

Objectifs : détermination d'un algorithme capable de prédire la mortalité des patients admis en unités de soins intensifs (ICU) pour ACR à partir des comptes rendus d'hospitalisation (CRH). Utilisation également de l'algorithme pour prédire le risque de récidive de l'arrêt, la durée de la ventilation mécanique, la survenue d'un sepsis, le développement d'une défaillance d'organe, la prédiction du CPC (Cerebral Performance Category), le délai d'obtention du sevrage en catécholamines, la survenue d'une insuffisance rénale aiguë avec ou sans nécessité d'épuration extra-rénale (EER) et la durée sous EER, ainsi que la durée moyenne de séjour. Ce projet s'inscrit dans un projet plus vaste, à l'échelle nationale et de plus grande puissance, incluant l'ensemble des données générées pendant l'hospitalisation en réanimation.

Méthode : le nombre total de patients estimé inclus dans cette étude se situe entre 300 et 500. La population proviendra des unités de soins intensifs de Nice, Antibes, Cannes et Grasse. L'inclusion sera rétrospective, à partir des CRH, des comptes rendus d'imagerie scanner (cérébrale et thoraco-abdomino-pelvienne), d'IRM, d'EEG et des transmissions de suivi quotidien, de 2014 à fin 2020. Après anonymisation, application d'une sémantisation à l'aide de méthodes de traitement automatique du langage naturel (NLP). Les données à extraire sont saisies dans un document rédigé par les médecins réanimateurs. Ces données seront ensuite stockées dans une base de données. Afin de répondre à l'objectif principal, nous développerons un algorithme informatique capable de prédire la mortalité au sein de la population étudiée. Cet algorithme, fondé sur une large base de données, pourra être conçu à l'aide de techniques d'apprentissage automatique, voire d'apprentissage profond, selon le volume de données à traiter.