Contribution à l'analyse de données de vie réelle et de données longitudinales en anesthésie, réanimation et hématologie 

Contribution to the analysis of real-life and longitudinal data in anesthesia, resuscitation and hematology

• Auteur / Autrice : Mary Saad-boutry
• Direction : Aurélien Latouche
• Type : Projet de thèse
• Discipline(s) : Biostatistiques et data sciences
• Date : Inscription en doctorat le 31/10/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Cancer et Génome: Bioinformatique, Biostatistiques et Epidémiologie des systèmes complexes
• Partenaire(s) de recherche : Equipe de recherche : Biostatistique clinique
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Anesthésie

Prédiction

Mortalité

Modèle multi-état

Prediction

Anaesthesia

Mortality

Mutlistate model

Résumé

Les hôpitaux français ont engagé depuis plusieurs années un processus de transformation numérique qui repose sur, entre autres, le déploiement d'un dossier patient informatisé. L'exploitation des données cliniques renseignées dans le dossier médical offre des perspectives nouvelles tant pour le pilotage des performances que dans les domaines de recherche clinique. Les recherches sur données sont des recherches n'utilisent que des données déjà recueillies, n'impliquant pas la participation des patients et ne modifiant pas leur prise en charge. L'importance de ces études “en vie réelle” a été soulignée par le rapport Polton Béguard-Von Lennep (1) . L'application de l'apprentissage statistique dans le domaine de la santé a été identifiée comme un des quatre domaines prioritaires du développement de ces technologies en France (2) et la disponibilité relativement récente de “mégadonnées” ou “Big data” rend cette application faisable. Alors que les pistes en exploitation pour le développement d'algorithmes d'aide à la décision sont nombreuses en réanimation, imagerie et oncologie, l'anesthésie reste un domaine peu exploité. Malgré l'évolution rapide des dernières décennies des techniques de surveillance et des médicaments, l'anesthésie reste une activité à risque. La morbi-mortalité qui lui est liée n'est pas négligeable, même si elle a considérablement chuté ces trente dernières années (3). Mais le plus important est de constater que le décès est évitable dans 44-51% des cas si les standards minimaux de sécurité et de qualité sont respectés (4-6). Plusieurs recommandations de bonnes pratiques en anesthésie existent sans que l'importance relative du respect de chacune d'elle sur la morbi-mortalité post-opératoire n'ait été identifiée. Ainsi, l'évaluation de la “qualité” de la prise en charge anesthésique se limite pour le moment à la qualité de tenue du dossier d'anesthésie. Dans ses recommandations sur le développement d'indicateurs de mortalité en France, l'HAS propose d'ailleurs de privilégier le contexte post-opératoire (7). C'est dans ce contexte que ce travail de thèse aspire à mettre en oeuvre des méthodes statistiques sur les données extrêmement riches auxquelles nous avons accès (cf infra) afin d'identifier les éléments de prise en charge anesthésique affectant le devenir des patients.

For several years now, French hospitals have been engaged in a digital transformation process based on, among other things, the deployment of a electronic health record (EHR) . The use of clinical data contained in the medical record offers new perspectives both for performance management and in clinical research areas. Data-driven research is research that uses only data that has already been collected, does not involve patient participation and does not modify patient management. The importance of these 'real-life' studies was underlined by the Polton Béguard-Von Lennep report (1) . The application of machine learning in health care has been identified as one of the four priority areas for the development of these technologies in France (2) and the relatively recent availability of 'megadata' or 'big data' makes this application feasible. While there are many avenues in operation for the development of decision support algorithms in resuscitation, imaging and oncology, anaesthesia remains a little-exploited field. Despite the rapid evolution of monitoring techniques and drugs over the last decades, anesthesia remains a high-risk activity. The morbi-mortality associated with it is not negligible, even if it has fallen considerably over the last thirty years (3). But most importantly, death is preventable in 44-51% of cases if minimum safety and quality standards are respected (4-6). Several recommendations for good practice in anesthesia exist without the relative importance of compliance with each of them on post-operative morbidity and mortality having been identified. Thus, the evaluation of the 'quality' of anesthesia management is for the moment limited to the quality of anesthesia record keeping. In its recommendations on the development of mortality indicators in France, the HAS also proposes to give priority to the post-operative context (7). It is in this context that this thesis aims to implement statistical methods on the extremely rich data to which we have access (see below) in order to identify the elements of anesthesia management affecting the future of patients.