Hypertension, Modèles prédictifs, Apprentissage automatique, Stratification du risque, Hypokaliémie, Pheochromocytome, Hyperaldosteronisme, Hypertension rénovasculaire

L'hypertension artérielle (HTA) est un problème majeur de santé publique en raison de sa prévalence (environ 1/3 de la population mondiale en est atteinte), et de son rôle dans le développement de maladies cardiovasculaires. Elle est de ce fait le facteur de risque cardiovasculaire modifiable le plus fréquent dans le monde. Dans environ 10% des cas, on peut retrouver une cause sous-jacente, on parle alors d'HTA secondaire. Certaines causes d'HTA, telles que l'hyperaldostéronisme primaire (HAP), sont probablement sous-diagnostiquées, ce qui a une grande importance car cela peut être une cause de résistance au traitement médicamenteux, mais peut aussi avoir des conséquences néfastes spécifiques, indépendamment du niveau de pression artérielles. Enfin, il existe selon les cas des traitements spécifiques. Les outils d'aide au diagnostic se dont développés dans le domaine médical de manière très importante ces dernières années, utilisant notamment des modèles d'intelligence artificielle. De tels outils dans le cas de l'HTA secondaire pourraient permettre de mieux cibler les patients à dépister et lutter ainsi efficacement contre le sous-diagnostic. L'objectif de cette thèse était dans un premier temps d'étudier plus précisément l'épidémiologie de l'hypertension artérielle secondaire, et ce plus particulièrement chez les patients jeunes. Nous avons ensuite développé un modèle d'aide au diagnostic d'hypertension artérielle secondaire, en particulier d'HAP, basé sur la stratification du risque. Nous avons également comparé ses performances à des algorithmes d'apprentissage automatique. La base de donnée à été élaborée à partir des données de patients ayant consulté à l'Hôpital Européen Georges Pompidou pour leur HTA. Nos algorithmes ont été développés de sorte à maximiser leur valeur prédictive négative. Une validation externe a été réalisée sur une base de donnée de patients hypertendus du Centre Hospitalier Universitaire de Bordeaux. La prévalence d'HTA secondaire était élevée chez les patients jeunes (environ 30% de la population). Nous avons mis en évidence des caractéristiques associées au risque d'HTA secondaire dans cette population, mais il n'était pas possible d'exclure un sous-groupe de patient du dépistage avec une performance suffisante. Lors de la validation externe, notre algorithme d'aide à la décision a permis d'améliorer le dépistage d'HAP, avec une bonne valeur prédictive négative pour les patients n'ayant pas d'indication au dépistage, puisque seulement 0.7% des patients ayant eu une prédiction négative de l'algorithme avaient un HAP. Les algorithmes d'apprentissage automatique que nous avons développés ont également obtenu des performances similaires.Concernant les autres diagnostics d'HTA secondaire, l'ensemble des algorithmes a obtenu des performances intéressantes, mais moindres. En conclusion, nous confirmons l'importance du dépistage de l'HTA secondaire, notamment chez les patients jeunes, et proposons un outil d'aide au diagnostic qui permet de mieux cibler les patients à dépister. Notre algorithme de stratification du risque présente par rapport aux algorithmes d'apprentissage automatique l'avantage d'être explicable, ce qui peut permettre d'augmenter la confiance de l'utilisateur. Ces résultats vont dans le sens des dernières recommandations proposant le dépistage de l'HAP chez tous les patients hypertendus, tout en ciblant de manière plus précise les patients pouvant en bénéficier.