Médecine personnalisée, Réanimation, Données massives, Apprentissage automatique, Algorithmes ensemblistes, Apprentissage profond, Algorithmes multitâche, Transformation du signal

La révolution numérique en santé, traduite à la fois par la centralisation et l'accès à de grandes bases de données médicales et par des avancées considérables de l'intelligence artificielle (IA), a permis de créer de nouvelles opportunités pour la Science des données appliquée à la médecine. Remettant le patient au cœur du système de soin, l'essor de ses nouvelles technologies garanti une médecine plus personnalisée capable d'identifier plus précocement des facteurs prédictifs et pronostics individuels. Ce travail de thèse s'inscrit dans le concept de la médecine personnalisée. Plus exactement, c'est un exemple de développement et d'application concret d'IA médicales pour la prédiction de l'hypotension et plus largement des états de choc (EC), pathologies fréquentes affectant plus d'un tiers des patients hospitalisés en réanimation. En effet, l'EC définit comme une défaillance du système circulatoire aboutissant à une inadéquation entre l'apport et les besoins tissulaires périphériques en oxygène, est considéré comme une urgence diagnostique et thérapeutique. Anticiper l'hypotension, un de ses principaux symptômes, peut être extrêmement utile pour prendre des décisions thérapeutiques mieux adaptées et dans certains cas prévenir, dès le départ, l'apparition d'une défaillance d'organe en ajustant de façon appropriée la stratégie thérapeutique. De plus, la capacité de prédire toute détérioration à venir peut être très utile pour aider l'affectation proactive des équipes soignantes au sein des services hospitaliers. La première partie de ce travail de thèse a porté sur l'utilisation et l'application d'un algorithme ensembliste issu de l'apprentissage automatique, le Super Learner (SL), pour prédire la survenue d'un épisode d'hypotension 10 minutes et plus à l'avance, chez des patients hospitalisés en réanimation. Ce travail a permis de démontrer que lorsqu'il s'agit de données massives, les signaux physiologiques peuvent être intégrés dans les modèles prédictifs sans nécessiter de méthodes complexes de prétraitement pour être exploités et que le SL était bien supérieur à chacun des algorithmes inclus dans sa bibliothèque, comme en témoignaient des erreurs plus faibles et de bonnes valeurs de sensibilité et spécificité lors de son évaluation interne et externe puis, dans la seconde partie de cette thèse, nous avons développé un modèle d'apprentissage automatique profond, le Physiological Deep Learner (PDL), pour prédire simultanément des valeurs de pression artérielle moyenne (PAM) et de fréquence cardiaque (FC) afin d'imiter la façon dont les cliniciens analysent conjointement l'évolution de la PAM et de la FC, étant donné leur étroite interdépendance physiologique. Nous avons mis en évidence que l'utilisation d'un algorithme multitâche surpassait les performances de prédiction d'algorithmes monotâches indépendants. En effet, par rapport à une approche plus traditionnelle, notre PDL présente un meilleur profil de calibration et moins d'erreur. En outre, le PDL a été capable de prédire avec une grande précision la survenue ou non d'un épisode d'hypotension jusqu'à 60 minutes à l'avance.