• Langue : Français
• Discipline : Médecine. Pédiatrie
• Identifiant : 2019LILUM093
• Type de thèse : Doctorat de médecine
• Date de soutenance : 09/05/2019

Résumé en langue originale

Contexte : L’encéphalopathie anoxo-ischémique (EAI) néonatale reste fréquente mais son pronostic a été amélioré par l’hypothermie thérapeutique, indiquée pour les EAI modérées et sévères. L’EEG permet d’évaluer la sévérité de l’EAI mais son interprétation nécessite une expertise qui n’est pas toujours disponible. Dans une première étude, nous avons développé un modèle de classification automatique, efficace pour classer la sévérité des tracés EEG dans les 6 premières heures de vie après anoxie périnatale. L’objectif de cette étude est de valider ce modèle en le testant sur une autre cohorte d’EEG plus tardifs. Méthode : 261 tracés EEG étaient extraits à H12, H24, H36, H48 et H72 de vie des monitorings EEG enregistrés chez 53 nouveau-nés à terme mis sous hypothermie thérapeutique pour une EAI. Les tracés étaient gradés visuellement de 1 à 3 selon la Classification Française et l’évolution clinique des enfants était recueillie à 1 et 2 ans. Ces tracés étaient ensuite classés automatiquement par l’algorithme du modèle proposé, selon le grade de sévérité EEG et l’évolution clinique, à partir des données d’analyse quantitative de marqueurs mesurant l’amplitude, le contenu fréquentiel et la continuité du signal EEG. Résultats : Les 6 marqueurs quantitatifs EEG sélectionnés dans la première étude restaient bien corrélés aux grades EEG et pouvaient être utilisés pour classer ces nouveaux tracés, issus des monitorings. Le modèle de classification automatique était efficace pour prédire le pronostic clinique à long terme à partir de ces tracés plus tardifs, notamment à partir des tracés de H36 (81% de tracés bien classés). Par contre, sa performance était faible pour classer ces tracés selon leurs grades de sévérité visuels avec 51% de tracés bien classés. Conclusion : Le modèle de classification automatique proposé semble efficace pour grader automatiquement la sévérité des EEG enregistrés avant H6 de vie et pour prédire le pronostic clinique à long terme à partir des tracés plus tardifs extraits des monitorings enregistrés sous hypothermie thérapeutique. Ce modèle est basé sur des marqueurs quantitatifs EEG pertinents cliniquement et disponibles dans des logiciels utilisés en routine. L’algorithme de ce modèle peut servir à l’implémentation d’un logiciel d’évaluation automatique de la sévérité de l’EAI à partir des EEG, utilisable au lit du malade pour aider les médecins dans les décisions thérapeutiques des premiers jours de vie après anoxie périnatale.

Résumé traduit

...