Développement d'outils d'Intelligence Artificielle pour le post-traitement des mégadonnées du neuro-monitorage afin d'optimiser la prise en charge des patients traumatisés crâniens

Development of Artificial Intelligence tools for the post-processing of megadata from neuromonitoring in order to optimize the management of head trauma patients

• Auteur / Autrice : Donatien Lege
• Direction : Julien Henriet, Marion Prud'homme
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 03/10/2022
• Etablissement(s) : Besançon, Université Marie et Louis Pasteur
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : DISC - Département Informatique et Systèmes Complexes
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-....)

Mots clés

Mots clés libres

Intelligence artificielle

Prédiction

Compliance cérébrale

Traumatisme crânien

Artificial intelligence

Prediction

Cerebrospinal compliance

Head trauma

Résumé

Ce travail de thèse a pour objectif de développer des outils pour aider le clinicien dans l'analyse des mégadonnées du monitorage neurologique. La démarche consiste à manipuler les différentes données acquises de monitorage, à appliquer et développer des méthodes statistiques pour identifier et éliminer des artefacts notables, et par la suite construire des features d'intérêts (features engineering). Dans un second temps, ces travaux doivent mener au développement d'un outil informatique basé sur les différents paradigmes de l'Intelligence Artificielle pour détecter et prédire au plus tôt des états délétères pour le patient (hypoperfusion cérébrale principalement). Il s'agit de déterminer le niveau optimal de PPC en améliorant des indices existants (Mx, PRx) et de mieux comprendre et surtout de prédire l'évolution de la pression intracrânienne dans le temps en développant des indices de compliance cérébrale.

The objective of this thesis is to develop tools to assist the clinician in the analysis of megadata from neurological monitoring. The approach consists in manipulating the various data acquired from monitoring, applying and developing statistical methods to identify and eliminate notable artifacts, and then building features of interest (feature engineering). In a second phase, this work should lead to the development of a computer tool based on the different paradigms of Artificial Intelligence to detect and predict as soon as possible deleterious states for the patient (mainly cerebral hypoperfusion). The aim is to determine the optimal level of CPP by improving existing indices (Mx, PRx) and to better understand and above all predict the evolution of intracranial pressure over time by developing cerebral compliance indices.