Monitorage de la profondeur d'anesthésie pour les chirurgies céphaliques par analyse de la complexité du signal EGG et machine learning

Monitoring the depth of anesthesia in cephalic surgeries using ECG signal complexity analysis and machine learning

• Auteur / Autrice : Clément Fauchereau
• Direction : Jean-Christophe Aude
• Type : Projet de thèse
• Discipline(s) : Sciences de la vie et de la santé
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Structure et dynamique des systèmes vivants (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : I2BC - Institut de Biologie Intégrative de la Cellule
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage machine

Anesthésie

Électrocardiogramme

Machine learning

Electrocardiogram

Anesthesia

Résumé

Lors des opérations chirurgicales, le sur-/sous-dosage des agents anesthésiques et les risques d'éveil peropératoire (sous-dosage) ou d'hypotension (surdosage) associés sont les principales difficultés auxquels sont confrontés les médecins anesthésistes. Le monitorage de la profondeur d'anesthésie (PA) est généralement réalisé au moyen d'indices dérivés de l'EEG (électroencéphalogramme) comme l'indice bispectral (BIS). Cependant, différents cas de figures comme les chirurgies céphaliques, rendent impossible la mise en place d'un EEG. Le développement d'approches alternatives à même de suppléer le BIS reste un défi à ce jour. Dans le cadre de cette thèse nous proposons de développer un nouvel indice pour le monitorage de la PA utilisant l'ECG (électrocardiogramme). Nous proposons d'utiliser une mesure de la complexité du signal ECG, couplée à des approches d'IA (réseaux de neurones, deep-learning…) afin de quantifier la PA sous forme d'un niveau, discrétisé dans un premier temps, du degré d'hypnose (awake, induction, maintenance, émergence). Par ailleurs, lors de l'usage conjoint d'un EEG et d'un ECG, on développera des modèles hybrides permettant de corriger certaines limites liées à l'usage de l'EEG seul (ex. sensibilité aux interférences).

Overdosing and underdosing of anesthesia drugs during surgical operations and their associated risks of anesthesia awereness (underdosing) or hypotension (overdosing) are the main difficulties encountered by anesthetist. The monitoring of anesthetic depth is usually done by using indices derived from EEG like the bispectral index (BIS). However, EEG monitoring is not always doable, for instance during cephalic surgery. Development of alternatives to the BIS is still a challenge. In this thesis we propose to develop a new index for the monitoring of anesthetic depth using ECG (electrocardiogram). We propose to use a complexity measure of the ECG signal with AI methods (neural networks, deep learning ) to derived anesthetic depth in the form of a level, first discrete, of hypnosis (awake, induction, maintenance, emergence). Moreover, during conjoint use of EEG and ECG, we will build hybrid models capable of correcting some limits of using EEG alone (interference sensibility for instance).