Université de Rennes 1 Apprentissage automatique pour la prédiction de l'infection et de la maturation chez le grand prématuré en associant les variabilités cardiaques et respiratoires Machine learning for the prediction of infection and evaluation of maturation in premature infants combining cardiac and respiratory variability Réseaux neuronaux récurrentsapprentissage automatique d'ensemblesystème d'aide à la décisiongraphes de décisionsignaux physiologiquesvariabilité cardiaqueinfectionmaturation Recurrent neural networksensemble machine learningdecision support systemphysiological signalsinfectionmaturation Réseaux cérébraux Apprentissage automatique Systèmes d'aide à la décision Prématurés Cette thèse s'inscrit dans le cadre du projet européen Digi-NewB dont l'objectif principal était de développer un nouveau système de surveillance des grands prématurés. Le projet a impliqué des partenaires de quatre pays et a permis de collecter des données cliniques, des signaux physiologiques, des données vidéo et des pleurs de bébés dans six hôpitaux en France. L'objectif plus spécifique de ce travail était de proposer des systèmes d'aide à la décision (DSS) basés sur des modèles d'apprentissage automatique pour le diagnostic précoce de l’infection tardive (LOS) et pour l'évaluation de la maturation des prématurés. Parmi les différentes données acquises dans le cadre du projet, nous nous sommes concentrés sur la variabilité de la fréquence cardiaque (HRV), la variabilité de la fréquence respiratoire (RRV) et les données de bradycardie. Les principales contributions de ce travail ont été : (i) l’intérêt des indices mesurés sur les graphes de visibilité caractérisant la HRV pour la détection du LOS; (ii) la proposition d’un réseau neuronal récurent performant pour le diagnostic précoce du LOS fondé sur les paramètres de la HRV ; (iii) l’introduction d’un modèle d'apprentissage ensembliste pour le suivi de la maturation des enfants prématurés à partir de la HRV, de la RRV ou des bradycardies ; (iv) la preuve de concept de ce modèle sur une population comprenant des enfants prématurés avec une maturation normale et anormale. Il importe aussi de souligner que tous ces développements ont été effectués dans un souci d’exploitation en temps réel et que la preuve de faisabilité que cela soit pour le LOS ou la maturation a été effectuée en unité de soins intensifs néonatale. This dissertation was framed in the Digi-NewB project, which was founded by the European Union, and had as main goal to improve health care for neonates through the development of new monitoring systems. The project involved partners from four countries, and collected health records, physiological signals, and video and sound data from infants in six hospitals in France. The objective of our research was to propose decision support systems (DSSs) based on machine learning models for the early diagnosis of LOS and for the evaluation of maturation in preterm infants. From the data types acquired in the project, we limited our scope to physiological signals. We focused on heart rate variability (HRV), respiration rate variability (RRV), and bradycardia data. The main contributions of this work are: (i) an assessment of the positive impact in the performance of machine learning models for the detection of LOS of including visibility graph indexes for the characterization of HRV; (ii) a high performing recursive neural network model for early diagnosis of LOS in preterm infants based on HRV features; (iii) an ensemble machine learning model for the evaluation of maturation of the infants in terms of their functional maturational age, derived from HRV, RRV, or bradycardia features; (iv) the validation of this model on a population that included preterm infants with normal and abnormal maturation. The models presented in this work serve as proof of concept for non-invasive DSSs that can have a high performance in real-time. Electronic Thesis or DissertationText en application/pdf1 : 6637 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/7a737bbf-14bc-40ec-ae1f-6ebf6c1f943f Leon Borrego Cristhyne Stephania 1990-10-19 XX 257717110 cristhynes@gmail.com 2021REN1S027 http://www.theses.fr/2021REN1S027 2021-07-12 Signal, image, vision Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiCarraultGuyintervenant_1032156421MarqueCatherineintervenant_2032908725BaudOlivierintervenant_3110786548PladysPatrickintervenant_4092673880JonckheereJulien deintervenant_5121322092LagunaPablointervenant_6092423272 MATHSTICecoleDoctorale_1 204770424 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:620 CarraultGuyMarqueCatherineBaudOlivierPladysPatrickJonckheereJulien deLagunaPabloUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) Laboratoire de Traitement du Signal et de l'Image ASCII PDF 6795923