Direction de recherche : Andrea PINNA

Co-encadrement : DRES Martin, MARSALA Christophe

Surveillance de la ventilation pulmonaire régionale pour prédire l'échec de l'extubation

La ventilation mécanique est un traitement salvateur pour les patients de réanimation. Lorsque la raison précipitante pour laquelle la ventilation mécanique est résolue, le défi consiste à séparer rapidement et en toute sécurité les patients du ventilateur. Chez certains patients, la séparation du ventilateur est mal tolérée, un processus appelé échec d'extubation. L'échec de l'extubation survient chez 10 % à 25 % des patients et est associé à une morbidité et à une mortalité accrue. Pour prévenir l'apparition d'un échec d'extubation, des supports respiratoires non invasifs sont utilisés. Cependant, les cliniciens manquent d'outils de surveillance fiables pour identifier le patient le plus susceptible de bénéficier de mesures préventives.
Pour répondre à cette lacune de surveillance, nous souhaitons utiliser la tomographie par impédance électrique. Ce dispositif de surveillance utilise l'injection de courant et la mesure de tension sur des électrodes placées autour du thorax. À partir de là, des images montrant la variation de conductivité sont reconstruites. Appliqué au thorax, on peut suivre la répartition de la ventilation. Cette technologie offre de nombreux avantages, elle est non invasive et peut être utilisée en continu au chevet du patient. Avec une telle technologie, nous voulons suivre les patients une fois qu'ils sont extubés, et tenter de prédire le plus tôt possible l'échec de l'extubation.
Pour cet objectif, nous avons d'abord mis en place une étude clinique appelée EXIT, dans laquelle des patients subissant une extubation ont été suivis avec EIT pendant 48 heures. Pendant la durée de l’étude qui a duré 2 ans, 37 patients ont été inclus, bien que 2 ne soient pas inclus dans la base de données en raison d'un trop grand bruit dans le signal.
Pendant le temps des inclusions, nous avons configuré notre cadre de tomographie par impédance électrique (EIT), pour prétraiter les données brutes EIT, reconstruire les images et enfin, extraire les caractéristiques EIT des images. Au total, nous utilisons 61 fonctionnalités EIT. La plupart d'entre eux sont issus de la littérature scientifique. Mais après avoir analysé les premiers patients EXIT et discuté avec des cliniciens, nous introduisons 4 nouvelles métriques EIT : lung_area, lung_shape, FlowEIT, RSBIEIT. Les deux derniers sont basés sur des métriques déjà existantes, utilisées par les cliniciens, que nous avons adaptées pour être calculées sur des données EIT. L'ajout de ces fonctionnalités permet d'améliorer significativement les résultats de prédiction d'échec d'extubation de nos modèles (+10,8% de sensibilité et +17,9% de spécificité pour la classe d'échec).
Pour la tâche d'apprentissage, nous étudions 3 modèles de jeux de données différents composés des données EIT provenant d’EXIT. Le but de cette étude est d'évaluer l'impact de la variation de la ventilation après extubation sur les modèles d'apprentissage de prédiction. Trois algorithmes d'inférence différents sont appris sur chaque jeu de données, ce sont : l'arbre de décision, la forêt aléatoire et la machine à vecteurs de support.

Publications 2020-2022