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.