Sepsis, Choc septique, Aide à la décision clinique, Apprentissage automatique, Apprentissage par renforcement, Vasopressine, LASSO, Score de propension, Réanimation

L'objectif de la thèse est de créer et de valider des outils d'aide à la décision clinique dans le sepsis et le choc septique. Cette thèse comporte trois volets. Dans le volet 1, nous proposons une stratégie de priorisation parmi les recommandations de la Surviving Sepsis Campaign (SSC). À partir de bases de données de réanimation MIMIC-IV (Medical Information Mart for Intensive Care IV) pour le développement/validation interne, et eICU-CRD (eICU Collaborative Research Database) pour la validation externe, une régression pénalisée LASSO (Least Absolute Shrinkage and Selection Operator) sélectionne un bundle restreint de recommandations à prioriser dans les 24 premières heures. L'association entre respect de ce bundle et réduction de la mortalité intra-hospitalière à 28 jours est ensuite estimée après ajustement par score de propension, et reproduite dans la cohorte de validation externe. Ainsi, l'adhésion au bundle était associée à une réduction de la mortalité intra-hospitalière. Le volet 2 traite une question laissée ouverte par les essais randomisés: quand initier la vasopressine chez des patients en choc septique déjà sous noradrénaline ? Nous formalisons cette décision comme un problème séquentiel dépendant de l'état du patient et apprenons, par apprentissage par renforcement (reinforcement learning, RL), une règle d'initiation maximisant une récompense clinique (objectifs hémodynamiques de court terme et mortalité hospitalière). La règle optimale est dérivée à partir des données de UCSF (University of California, San Francisco) et évaluée hors-ligne par méthodes d'off-policy (weighted importance sampling) dans des cohortes externes (MIMIC-IV, eICU-CRD, UPMC (University of Pittsburgh Medical Center)). Ces analyses montrent qu'une initiation plus précoce et plus fréquente, à des doses de noradrénaline plus faibles, est associée à une moindre mortalité hospitalière par rapport aux pratiques observées. Le volet 3 est une revue d'état de l'art sur l'Intelligence Artificielle (IA) en soins critiques. Elle cartographie le cycle de vie des algorithmes, met en évidence les freins récurrents (qualité/interopérabilité des données, dérive de performance, intégration en clinique, acceptabilité, équité) et propose des clés d'implémentation (objectifs cliniques actionnables, transparence, mesures d'impact, gouvernance et surveillance continue). Ce cadre a orienté la conception des deux études originales et prépare la phase d'évaluation prospective. Au total, cette thèse démontre qu'une priorisation des recommandations SSC par méthode LASSO, et une règle d'initiation de vasopressine optimale grâce à un algorithme de Reinforcement Learning validées sur des cohortes externes peuvent permettre de réduire la mortalité due au sepsis, tout en s'inscrivant dans un cadre d'implémentation rigoureux. Elle ouvre la voie au développement et à l'implémentation d'outils d'aide à la décision clinique, explicables et intégrés, et pose les jalons méthodologiques et organisationnels pour leur évaluation prospective et leur passage à l'échelle en pratique clinique.