• Langue : Français
• Discipline : Développement et pathologie de l'enfant, gynécologie-obstétrique, endocrinologie et reproduction
• Identifiant : 2021LILUS039
• Type de thèse : Doctorat
• Date de soutenance : 21/10/2021

Résumé en langue originale

Introduction : La prévention de l’encéphalopathie anoxo-ischémique (EAI) pendant le travail est une préoccupation majeure en salle de naissance. Une acidose néonatale sévère est un des critères pour définir une asphyxie foetale. Elle est associée à un risque de lésions cérébrales. Actuellement les moyens de surveillance pendant le travail ne permettent pas de dépister correctement ces situations à risque d’hypoxie et/ou de lésions cérébrales. L’analyse de la variabilité de la fréquence cardiaque (VFC) foetale semble être une piste intéressante pour le dépistage de ces situations. Notre équipe a développé un marqueur d’analyse de la VFC, le Fetal Stress Index (FSI). L’objectif de ce travail était en première partie d’évaluer l’utilisation des différents marqueurs du rythme cardiaque foetal dans des systèmes automatisés (machine learning) pour mieux prédire l’acidose foetale, et en deuxième partie d’évaluer l’utilisation de la VFC dans le dépistage des lésions d’EAI.Matériel et Méthodes : Nous avons réalisé une étude expérimentale chez le foetus de brebis à terme. Des occlusions du cordon ombilical totales (OCT) répétées étaient réalisées selon différentes phases (phase A, B et C) pour obtenir une acidose foetale sévère. Les paramètres hémodynamiques, l’ECG et les gaz du sang étaient analysés. L’ECG permettait l’analyse des paramètres de la VFC. Le gold standard utilisé pour classer l’hypoxie était le pH artériel foetal (pH<7,10). Une analyse anatomopathologique des cerveaux des foetus de brebis était réalisée 48h après les manipulations pour l’évaluation des lésions cérébrales. Les méthodes statistiques de machine learning utilisées pour le dépistage de l’acidose étaient la régression logistique et les arbres décisionnels. L’association entre les lésions cérébrales et les différents paramètres était étudiée selon les différentes phases d’occlusion à l'aide d'un test rho de Spearman.Résultats : 21 agneaux ont été instrumentés. 132 couples analyse du rythme cardiaque foetal / pH foetal ont été obtenus dont 29 dans le groupe acidose et 103 dans le groupe non acidose. Un modèle de régression logistique, avec une sélection « backward » des variables, permettait d’obtenir une AUC de 0.73 avec une sensibilité à 0,59 et une spécificité à 0,83. Par cette méthode, seule la variable FSI était sélectionnée. Aucun seuil permettant de prédire l’acidose n’a pu être déterminé. En utilisant les arbres décisionnels, on obtenait une spécificité de 0,96 à 0,99 et une sensibilité de 0,56 à 0,59. La première variable sélectionnée pour classer les enregistrements en acidose ou non acidose était le FSI.Dans la seconde partie du travail, 9 cerveaux ont été analysés. Des lésions cérébrales d’EAI étaient présentes chez 7/9 foetus avec des lésions du tronc cérébral observées chez 3/9 foetus. Le FSI, la variabilité à long terme (VLT) et la variabilité à court terme (VCT) étaient significativement corrélés au nombre de lésions du tronc cérébral en phase C pour le FSI (r=-0,784 ; p=0,021) et en phase B pour la VLT (r=-0,677 ; p=0,045) et la VCT (r=-0,837 ; p=0,005). On retrouvait une corrélation significative entre les lésions cérébrales et les variations de pression artérielle moyenne durant les occlusions. Il n'y avait pas de corrélation significative entre les lésions cérébrales et les autres marqueurs de la VFC ainsi qu’avec les marqueurs gazométriques dont le pH.Conclusion : Les modèles de machine learning ne semblaient pas améliorer le dépistage de l’acidose foetale. Les variables principales sélectionnées automatiquement dans ces modèles étaient celles de la VFC dont le FSI comme variable d’entrée dans les modèles. L’acidose foetale n’était pas corrélée aux lésions d’EAI. Seuls certains paramètres de la VFC (FSI, VCT, VLT) étaient corrélés aux lésions d’EAI. Ainsi la VFC ne permettrait pas une bonne prédiction de l’acidose foetale mais permettrait le dépistage des situations à risque d’EAI.

Résumé traduit

Introduction: Prevention of hypoxic-ischemic encephalopathy (HIE) during labor is a major concern in the delivery room. Severe neonatal acidosis is one of the major criteria for defining fetal asphyxia and is associated with a risk of brain damage according to some studies. Currently, the means of monitoring during labor do not allow for the correct detection of these situations at risk of hypoxia and/or brain damage. The analysis of the fetal heart rate variability (HRV) seems to be an interesting way to detect these situations at risk. Our team has developed a marker of analysis of HRV, the Fetal Stress Index (FSI). It seems to predict better the occurrence of fetal acidosis than the other parameters of HRV, but in an imperfect way. The objective of this work was first to evaluate the use of different markers of fetal heart rate in automated systems such as machine learning to better predict fetal acidosis, and second to evaluate the use of markers of HRV analysis in the detection of HIE lesions.Material and Methods: We performed an experimental study in term fetal sheep. Repeated total umbilical cord occlusions (UCO) in different phases (phase A, B and C) were performed to achieve severe fetal acidosis. Hemodynamic parameters, ECG, and blood gases were analyzed. The ECG allowed analysis of HRV parameters. The fetal heart rate variables used were heart rate, HRV analysis, slope, and deceleration amplitude. The gold standard used to classify hypoxia was fetal arterial pH (pH<7.10). Pathological analysis of fetal brains was performed 48 h after the manipulations for assessment of brain damage. Statistical machine learning methods used for acidosis screening were logistic regression and decision trees. The association between brain damage and the different parameters was studied according to the different phases of occlusion using a Spearman's rho test.Results: 21 fetal sheeps were instrumented. A total of 132 fetal heart rate/fetal pH pairs were obtained, of which 29 in the acidosis group and 103 in the non-acidosis group. A logistic regression model, with a "backward" selection of the variables, allowed to obtain an AUC of 0.73 with a sensitivity of 0.59 and a specificity of 0.83. With this method, only the FSI variable was selected. No threshold to predict acidosis could be determined. Using decision trees, a specificity of 0.96 to 0.99 and a sensitivity of 0.56 to 0.59 were obtained. The first variable selected to classify the recordings as acidosis or no acidosis was the FSI.In the second part of the work, 9 brains were analyzed for pathology. HIE brain lesions (all regions combined) were present in 7/9 fetuses with brainstem lesions observed in 3/9 fetuses. FSI, long-term variability (LTV) and short-term variability (STV) were significantly correlated with the number of brainstem lesions in phase C for FSI (r=-0.784; p=0.021) and in phase B for LTV (r=-0.677; p=0.045) and STV (r=-0.837; p=0.005). There was also a significant correlation between brain injury and mean arterial pressure changes during occlusions. There was no significant correlation between brain injuries and other markers of HRV and gas markers including pH.Conclusion: Machine learning models did not appear to improve the detection of fetal acidosis. The main variables automatically selected in these models were those of the HRV, including the FSI as input variable in the models. Fetal acidosis was not correlated with HIE lesions. Only some parameters of HRV (FSI, STV, LTV) were correlated with HIE lesions. Thus, HRV would not be a good predictor of fetal acidosis but would allow the detection of situations at risk of HIE lesions.