Prédiction de l'état de stress post-traumatique chez les proches de patients de réanimation à l'aide de l'apprentissage automatique

Prediction of post traumatic stress disorder (PTSD) in family members of ICU patients using machine learning

• Auteur / Autrice : Thibault Dupont
• Direction : Edouard Duchesnay
• Type : Projet de thèse
• Discipline(s) : Physique et imagerie médicale
• Date : Inscription en doctorat le 02/11/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Construction de grands instruments pour la neuroimagerie : de l'imagerie en population aux champs magnétiques ultra-hauts
• Partenaire(s) de recherche : Equipe de recherche : GAIA: Genetics Architecture and Image Analysis
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Apprentissage automatique

Trouble de stress post-traumatique (TSPT)

Réanimation

Machine learning

Post traumatic stress disorder

Intensive care unit

Artificial intelligence

Résumé

Es proches des patients admis en réanimation peuvent développer un trouble de stress post-traumatique (TSPT) après l'admission d'un patient en réanimation. Le TSPT constitue une composante majeure du syndrome post réanimation (PICS-F) et responsable de la dégradation de la qualité de vie et de l'augmentation des coûts sociétaux. À ce jour, il n'existe aucune recherche sur les modèles prédictifs du TSPT chez les proches des patients admis en réanimation. Cette thèse combinera l'évaluation multimodale du risque de TSPT chez les proches de patients de réanimation en (i) identifiant les phénotypes cliniques et les facteurs de risque de TSPT dans une cohorte historique rétrospective de 5000 proches de patients et (ii) dans la cohorte prospective FAME de 1346 patients, (iii) développant des modèles prédictifs de TSPT basés sur une analyse intégrative des phénotypes cliniques et des signatures moléculaires issues des données multi-omiques des proches de patients de réanimation, (iv) développant un système d'aide à la décision pour stratifier le risque de TSPT chez les proches de patients de réanimation sur la base de ces modèles prédictifs.

Family members can experience post-traumatic stress disorder (PTSD) following the admission of a patient in the ICU. PTSD constitutes a major component of post intensive care syndrome-family (PICS-F) and is responsible for damaged quality of life and increased societal costs. To date, there is no research into predictive models of PTSD in ICU family members. This PhD will combine multimodal risk assessment of PTSD in family members by (i) identifying clinical phenotypes and risk factors for PTSD in a retrospective historical cohort of 5000 family members and (ii) in the FAME prospective cohort of 1346 patients, (iii) developing predictive models of PTSD based on integrative analysis of clinical phenotypes and molecular signatures issued from multi-omics data of ICU family members, (iv) developing a decision support system to stratify risk for PTSD in ICU family members based on these predictive models.