Prédiction de la dysfonction primaire de greffon en transplantation pulmonaire par algorithme de machine learning
- Dysfonction précoce de greffon
- transplantation pulmonaire
- machine learning
- facteurs prédictifs
- gradient boosting
- Transplantation pulmonaire
- Boosting (algorithmes)
- Transplantation pulmonaire
- Dysfonction primaire du greffon
- Algorithmes
- Apprentissage machine
- Langue : Français
- Discipline : Médecine. Anesthésie Réanimation
- Identifiant : 2020LILUM065
- Type de thèse : Doctorat de médecine
- Date de soutenance : 31/03/2020
Résumé en langue originale
Contexte : La mortalité précoce après transplantation pulmonaire est liée à la dysfonction primaire de greffon de grade 3 (DPG3). L’identification de facteurs prédictifs de DPG dès la période per-opératoire permettrait de dépister les patients à risque et d’établir une stratégie thérapeutique préventive. Méthodes : Tous les patients adultes ayant bénéficié d’une transplantation bi-pulmonaire à l’hôpital Foch de Janvier 2012 à Décembre 2018 ont été inclus mis à part ceux qui ont bénéficié d’une transplantation multi-organes, d’une intervention pratiquée avec une circulation extra-corporelle et ceux retransplantés au cours de la période de l’étude. Un algorithme de gradient boosting a été utilisée pour prédire la survenue d’une DPG de grade 3 à la 72eme heure post-opératoire à partir des variables issues du donneur, du receveur et des données collectées pendant l’intervention. L’analyse a été faite en ajoutant les variables par étapes correspondant à des temps opératoires standardisés. Résultats : 329 patients ont été analysés, 55 patients ont présenté une DPG3 (16,7%). La performance du modèle de prédiction est maximale en fin d’intervention avec une aire sous la courbe de 0,87 en retenant 20 variables. Notre analyse a montré la participation à ce modèle de variables déjà connues dans la littérature comme associées à la DPG : l’âge du donneur, le poids du receveur, l’indication de transplantation. D’autres n’avaient pas été mises en avant auparavant comme l’indice de masse corporelle du donneur, l’utilisation de l’ECMO en per-opératoire quelle que soit son indication et son moment de pose, la nécessité de sa poursuite en post-opératoire, le taux de lactate ou le rapport PaO2/FiO2 à partir du deuxième clampage, la réduction pulmonaire, la présence d’une DPG dès la fin d’intervention. Par ailleurs, nous avons pu mettre en évidence des variables modifiables : l’anémie préopératoire, l’inadéquation entre les volumes pulmonaires des donneurs et receveurs, l’importance des pertes sanguines et du volume de remplissage, la survenue d’un épisode d’insuffisance circulatoire aiguë. Conclusion : Ce modèle prédictif par machine learning permet de prédire avec une bonne performance le risque de DPG3 à la 72eme heure post-opératoire avec des variables disponibles dès la fin de la transplantation. La mise en place de stratégies adaptées aux variables modifiables pourrait permettre de limiter la survenue d’une DPG 3 ou sa sévérité.
Résumé traduit
...
- Directeur(s) de thèse : Fessler, Julien
AUTEUR
- Davignon, Maxime