| Imprimer |
| Création de modèles prédictifs d’arrêt cardiaque extrahospitalier par analyse du spectre vocal de l’appelant (Creation of out of hospital cardiac arrest predictive models by caller's voice spectrum analysis) Boulidard, Etienne - (2020-11-27) / Universite de Rennes 1 - Création de modèles prédictifs d’arrêt cardiaque extrahospitalier par analyse du spectre vocal de l’appelant
| |||
Langue : Français Directeur(s) de thèse: Gangloff, Cédric Discipline : Medecine d'urgence Classification : Médecine et santé Mots-clés : Arrêt cardiaque extrahospitalier, régulation médicale, modèle prédictif, intelligence artificielle, apprentissage automatique, apprentissage profond, réseau de neurones, phonation
| |||
Résumé : Introduction : l’arrêt cardiaque extrahospitalier ( ACREH ) est un problème de santé publique majeur car il est fréquent et doté d’une morbi-mortalité élevée. Son pronostic repose essentiellement sur le déclenchement de la chaine de survie, elle-même basée sur l’identification de l’ACREH. Cette dernière peut être mise en défaut lorsque l’ACREH n’est pas identifié ou lorsqu’il l’est trop tardivement. Des systèmes d’aide pourraient augmenter le taux d’ACREH reconnus au premier appel et raccourcir ces délais. Le champ de l’intelligence artificielle pourrait en constituer un. Un modèle d’apprentissage automatique basé sur le contenu sémantique a déjà été développé pour prédire l’ACREH. Le contenu phonatoire probablement discriminant reste quant à lui inexploité. Objectif : l’objet de cette étude est, à partir d’une comparaison de deux populations ACREH et non ACREH, de créer et d’évaluer des modèles prédictifs d’ACREH s’appuyant sur l’analyse du spectre vocal de l’appelant lors d’un appel au 15. Matériel et méthodes : 2000 enregistrements ont été extraits de la base de données du SAMU 35 sur une période de janvier 2015 à juin 2019. 1578 enregistrements ont été inclus. 747 dans le groupe ACREH. 831 dans le groupe NON ACREH. Deux modèles statistiques ont été expérimentés pour construire l’algorithme. Le premier reposant sur une régression logistique binaire. Le deuxième reposant sur une méthode d’apprentissage automatique à partir d’un réseau de neurones profonds. Résultats : les deux groupes ACREH et non ACREH présentaient des différences significatives concernant plusieurs variables issues de l’analyse de la phonation. Ces variables nous ont permis de construire deux modèles prédictifs, tous les deux performants pour identifier l’ACREH. Avec respectivement 71,2 % de réponses correctes pour la régression et une aire sous la courbe ROC de 0,779 pour le réseau de neurones profonds. Conclusion : cette étude montre la possibilité de prédire l’ACREH avec des algorithmes prédictifs basés sur des paramètres phonatoires. Mais les performances de ces algorithmes dans cette étude sont cependant insuffisantes pour envisager de les laisser seuls décideurs. La construction de modèles intégrant en plus des données phonatoires, des données sémantiques et visuelles pourraient en améliorer l’efficience. Abstract : Out of hospital cardiac arrest (OHCA) is a very important public health problem. It is frequent and the morbidity-mortality is very hight. Survival with good neurological prognosis depends on many factors especially the chain of survival and deadlines. This chain of survival starts with his recognition, which is not always easy, in particular in medical dispatch where a certain number are not recognized. The aim of this study is from a comparison of two populations, one OHCA and one not OHCA, to create and assess OHCA predictive models based on caller’s voice phonatory parameters analysis when is calling a medical dispatch center. The purpose is to increase OHCA recognition and the time to his recognition, with as main objective to decrease the patient’s morbidity-mortality. Two statistical methods have been experimented: the first based on binary logistic regression with ascending step by step method. The second based on machine learning from deep neural network. The primary outcomes were the global percentage of correct answers and area under the curve (AUC). The both groups OHCA and not OHCA present statistical differences about many phonatory variables. This study demonstrate the possibility to predict OHCA based on phonatory parameters. These discriminating variables allowed us to create two efficient predictive models to recognize OHCA. With mutually 71,2% of correct answers for binary logistic regression and an area under the curve of 0,779 for deep neural network. Nevertheless theirs performances are insufficient to think about let them alone to decide. They firstly could consider as help tools. The creation of models integrating in addition to the phonatory data, semantic and visual data could increase theirs performances. A live prospective analysis is the last step to assess the impact of these models on patient's morbidity-mortality. | |||