Université de Lille Validation externe d’un modèle obtenu par machine learning sur des données échographiques pour évaluer le pronostic des patients admis en USIC : cohorte lilloise prospective USICmodèle pronostiqueintelligence artificiellemachine learning 610 Soins intensifs en cardiologie Pronostic (médecine) Échographie Apprentissage automatique Analyse par cohorte Lille (Nord) Unités de soins intensifs cardiaques Dissertation universitaire Pronostic Dissertation universitaire Échocardiographie Dissertation universitaire Apprentissage machine Dissertation universitaire Études de cohortes Dissertation universitaire Introduction. Stratifier le risque d’évènement péjoratif majeur chez les patients admis en USIC reste difficile. Des scores pronostiques existent mais ceux-ci ont été développés pour des populations d’unités de soins intensifs non cardiologiques ou pour des pathologies cardiaques spécifiques. Par ailleurs ils n’intègrent que peu ou pas les paramètres échocardiographiques. Un modèle pronostique (ML XG-Boost) réalisable dès l’admission a été créé à l’aide de paramètres échocardiographiques seuls et construit via Machine Learning. Ce modèle a montré de bonnes performances dans la cohorte multicentrique française de dérivation initiale (ADDICT-ICCU). L’objectif de ce travail était d’en réaliser sa validation externe. Matériel et méthodes. Il s’agit d’une étude prospective observationnelle monocentrique menée à l’USIC du CHU de Lille. Les patients adultes admis à l’USIC étaient incluables et l’ETT était réalisée à l’admission. Le critère de jugement principal était la survenue d’un évènement clinique intra-hospitalier majeur parmi le décès toute cause, l’arrêt cardiaque ressuscité ou la survenue d’un choc cardiogénique dans les 28 jours suivant l’admission. Résultats. Dans notre cohorte de 200 patients inclus à l’USIC du CHU de Lille entre novembre 2022 et avril 2023 inclus, 135 (67,5%) étaient des hommes, l’âge moyen était de 62,6 ± 16,6 ans, 122 patients étaient hypertendus (61,3%), 60 (30,2%) étaient diabétiques. La FEVG moyenne était à 49,1 ± 16,2 %, le rapport E/E’ moyen à 11,1 ± 4,74. L’ITV sous-aortique était en moyenne à 14,7 ± 4,72 cm, le TAPSE à 19 ± 5,01 mm, la PAPs était en moyenne à 41,7 ± 15,6 mmHg. 28 patients (14%) ont présenté un évènement cardiovasculaire grave à 28 jours. On note 10 décès (5%), 18 chocs cardiogéniques (9%) et 9 arrêts cardiaques récupérés (4,5%). Dans cette population, les performances du modèle ML XG-Boost restaient supérieures aux scores préexistants (AUROC 0,74, p < 0,001). Conclusion. Les performances du modèle ML XG-Boost dans une cohorte externe lilloise sont satisfaisantes et permettent sa validation externe. De plus amples études doivent permettre de corroborer ces résultats. Introduction. Nowadays, it remains difficult to stratify the risk of major adverse events in ICCU patients. Several prognostic scores exist, but they only apply to specific cardiac conditions, or to medical intensive care unit patients, and not specifically to ICCU patients. Furthermore, they barely use echocardiography data, if any. A new prognostic model (ML XGBoost) has been built thanks to Machine Learning, using TTE data only. This model showed good performances in the French multicentric initial cohort (ADDICT-ICCU). The aim of this work was to confirm its good performances in an external validation cohort. Materials & methods. This study is a monocentric prospective and observational cohort conducted in Lille University Center ICCU. Adult patients admitted to this Unit were eligible. The primary composite endpoint was the occurrence of an in-hospital major adverse event, including death of any cause, resuscitated cardiac arrest or cardiogenic shock, in the first 28 days following admission. Results. 200 patients were included between November 2022 and April 2023. There were 135 male (67.5%), mean age was 62.6 ± 16.6. Hypertension was found in 122 patients (61.3%), and diabetes in 60 cases (30.2%). Mean LVEF was 49.1 ± 16.2%, mean E/E’ was 11.1 ± 4.74. Mean LVOT TVI was 14.7 ± 4.72 cm, mean TAPSE was 19 ± 5.01 mm, and mean sPAP was 41.7 ± 15.6 mmHg. Major adverse events at 28 days occurred in 28 patients (14%), including 10 deaths of any cause (5%), 18 cardiogenic shocks (9%) and 9 resuscitated cardiac arrests (4.5%). In this cohort, ML XG-Boost showed better performances compared to existing scores (AUROC 0.74, p < 0.001). Discussion. In this independent cohort based in Lille University Center, ML XG-Boost continued to demonstrate good prognostic values, which allows its external validation. Further studies are still required to corroborate these results. Electronic Thesis or DissertationText fr application/pdf1 : 0 Kohttps://pepite-depot.univ-lille.fr/LIBRE/Th_Medecine/2024/2024ULILM176.pdf Grenier-Boley Jean 1996-11-19 FR 281260729 2024ULILM176 2024-06-27 Médecine. Cardiologie et maladies vasculaires Université de Lille (2022-...)thesis.degree.grantor_1 259265152 Doctorat de médecine non ouiAghezzafSamyintervenant_1248341669 ddc:610 AghezzafSamyUniversité de Lille (2022-...)Université de Lille Unicode PDF 50