Importance : L'héparine non fractionnée (HNF) est un traitement largement utilisé en réanimation, avec un risque d'événements indésirables graves ou de décès si l'intervalle thérapeutique n'est pas atteint rapidement. Ajuster le dosage d'HNF pour atteindre l'intervalle thérapeutique est difficile. A notre connaissance, il n'existe pas d'algorithme fiable pour prédire les résultats d'anti-Xa durant un traitement par HNF, en réanimation. Objectifs : Développer un algorithme de prédiction des résultats d'anti-Xa durant un traitement par HNF en réanimation, en utilisant des méthodes de machine learning. Design et participants : Cette étude monocentrique a été conduite en utilisant l'entrepôt de données de santé du CHU de Rennes, du 21 décembre 2019 au 22 novembre 2021, en incluant les patients âgés d'au moins 18 ans, ayant reçu un traitement par HNF durant un séjour en réanimation, sans traitement anticoagulant associé et en l'absence de données manquantes. Outcomes principaux et paramètres : Un résultat d'anti-Xa inférieur à 0.3 était classé en infra- thérapeutique, normal s'il était entre 0.3 et 0.7 et supra-thérapeutique si supérieur à 0.7. Les modèles de prédiction de machine learning ont été créés en utilisant le débit d'HNF, les bolus d'HNF, le dernier résultat d'anti-Xa, l'évaluation de la fonction rénale par la créatininémie, la diurèse et la dialyse, de l'inflammation par le fibrinogène, de l'état volémique par l'hémoglobine et l'hématocrite, la présence ou non d'un traitement par extra-corporeal membrane oxygenation et la bilirubinémie. Une cross-validation stratifiée a été utilisée. Les capacités prédictives des modèles ont été évaluées par l'area under the receiver operating characteristic curve (AUROC), l'area under the precision recall curve (AUPRC), la sensibilité, la spécificité. Résultats : Au total, 3790 intervalles d'anti-Xa, correspondant à 211 patients, ont été inclus dans l'étude. Parmi les modèles de machine learning, le modèle de random forest a obtenu les meilleurs résultats, avec un AUROC à 0.80 [0.77 ; 0.83], un AUPRC à 0.61 [0.58 ; 0.65], une sensibilité à 0.56 [0.53 ; 0.59] et une spécificité à 0.82 [0.82 ; 0.82]. Conclusion : Dans cette cohorte, les modèles de prédiction de machine learning ont obtenu de bons résultats pour prédire l'anti-Xa durant un traitement par héparinothérapie continue en réanimation. Une validation avec des données multicentriques prospectives est nécessaire.