Vers l'utilisation de l'apprentissage profond aux soins intensifs pour assister la prise en charge de patients ayant subi un traumatisme crânio-cérébral sévère

Le traumatisme craniocérébral (TCC) sévère est une des principales causes de décès chez les enfants et jeunes adultes. Pour réduire les lésions cérébrales secondaires et les séquelles, le patient doit être pris en charge et stabilisé rapidement après la blessure initiale. Son état général est maintenu en surveillant ses fonctions hémodynamiques et respiratoires et l’état craniocérébral est monitoré par plusieurs signaux physiologiques. La complexité du TCC sévère, le contexte aigu, et la grande quantité d’information compliquent la prise en charge. Des outils informatiques d’aide à la décision clinique basés sur des techniques d’intelligence artificielle ont déjà été appliqués à différents aspects de la prise en charge de patients traumatisés aux soins intensifs, mais une aide diagnostique automatique et en temps réel de l’état craniocérébral précis du patient n’est pas disponible. Ce projet de recherche a pour objectif d’évaluer la capacité de réseaux de neurones artificiels profonds comme le Fully Convolutional Network et le Convolutional Neural Network-Long Short-Term Memory à produire un diagnostic en continu de l’état craniocérébral de patients après TCC sévère. Les signaux de pression intracrânienne, pression de perfusion cérébrale, oxygénation cérébrale et pression artérielle de 49 patients avec TCC sévère ont été enregistrés pour créer une base de données totalisant plus de 4000 heures d’enregistrement. Ces données ont été analysées rétrospectivement par des experts cliniciens et l’état craniocérébral a été classifié selon six états d’intérêt : situation contrôlée, hypertension intracrânienne (HTIC), HTIC avec risque d’ischémie, HTIC avec risque d’hyperhémie, ischémie ou hyperhémie sans HTIC. Cette base de données est utilisée pour entraîner et valider les algorithmes de classification supervisés à l’étude. Leurs performances sont mesurées en fonction de la précision du diagnostic, de la sensibilité et du score F1 pour chaque état. Les performances des deux réseaux de neurones sont comparées avec celles de classificateurs supervisés de type SVM et Random Forest. Les résultats obtenus montrent de faibles performances en ce qui concerne la classification des six états pathophysiologiques. Cependant, en simplifiant le problème de classification, les réseaux de neurones démontrent une performance satisfaisante pour la détection de l’hypertension intracrânienne. Il est toutefois recommandé de mettre au point une base de données regroupant un plus grand nombre de sujets avec TCC sévère et avec une classification diagnostique réalisée prospectivement par les experts afin de pouvoir mieux explorer l’utilité des techniques d’apprentissage automatique dans le diagnostic en temps réel de l’état de patient avec TCCS aux soins intensifs.

Abstract

Severe traumatic brain injury (TBI) is one of the leading causes of death in children and young adults. To reduce secondary brain injury and sequelae, the patient must be treated and stabilized quickly after the initial injury. The general condition is maintained by monitoring the hemodynamic and respiratory functions, and the craniocerebral state is monitored by several physiological signals. The complexity of severe TBI, the acute context, and the large quantity of information complicate the management of these patients. Computer tools for clinical decision support based on artificial intelligence techniques have already been applied to different aspects of the management of traumatized patients in intensive care units, but automatic real-time diagnostic assistance of precise craniocerebral state of patients with severe TBI is not available. This research project aims to evaluate the capacity of deep learning artificial neural networks such as Fully Convolutional Network and Convolutional Neural Network-Long Short-Term Memory to produce a continuous diagnosis of the craniocerebral state of patients after severe TBI. Intracranial pressure, cerebral perfusion pressure, cerebral oxygenation and blood pressure signals from 49 patients with severe TBI were recorded to create a database totaling more than 4000 hours of recording. These data were retrospectively analyzed by clinical experts in craniocerebral trauma and the craniocerebral state was classified according to six states of interest: controlled situation, intracranial hypertension (IH), IH with risk of ischemia, IH with risk of hyperemia, ischemia or hyperemia without IH. This database was used to train and validate the supervised classification algorithms under study. Their performance is measured based on diagnostic accuracy, sensitivity and F1 score for each condition. The performances of the two neural networks are compared with those of supervised SVM and Random Forest classifiers. The results obtained show poor performance with regard to the classification of the six pathophysiological states. On the other hand, by simplifying the classification problem, neural networks demonstrate satisfactory performance for the detection of intracranial hypertension. However, it is recommended to develop a database bringing together a larger number of subjects with severe TBI, prospectively annotated by clinical experts to better explore the usefulness of machine learning techniques in the real-time diagnosis of the patient's condition with severe traumatic brain injury in the intensive care units.