Apport de l'intelligence artificielle dans le diagnostic et la prise en charge des infections sévères en réanimation

Contribution of artificial intelligence to the diagnosis and management of severe infections in the ICU

• Auteur / Autrice : Geoffray Agard
• Direction : Sami Hraiech, Mustapha Ouladsine
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Recherche Clinique et Santé Publique
• Date : Inscription en doctorat le 04/11/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Recherches Biomédicales
• Partenaire(s) de recherche : Laboratoire : CEReSS - Centre d'Etudes et de Recherche sur les Services de Santé et la Qualité de Vie

Mots clés

Mots clés libres

Intelligence artificielle

Prédiction

Infection

Choc septique

Réanimation

Diagnostic

Artificial intelligence

Prediction

Infection

Septic shock

Intensive care unit

Diagnostic

Résumé

Les infections sévères représentent une cause majeure de morbidité et de mortalité chez les patients en réanimation. L'identification précoce de ces infections et la mise en place d'une antibiothérapie adaptée sont des éléments clés pour améliorer le pronostic de ces patients. Cependant, le diagnostic et la gestion de ces infections restent un défi en raison de la complexité des présentations cliniques et des facteurs multiples impliqués. L'intelligence artificielle (IA), en particulier les approches de machine learning et de deep learning, offre un potentiel considérable pour améliorer le diagnostic et la prise en charge de ces infections. Ce projet de thèse de science vise à explorer et à développer des algorithmes d'IA pour améliorer le diagnostic, la prédiction et la prise en charge des infections sévères en réanimation. Le projet abordera plusieurs axes, dont la prédiction des pneumonies acquises sous ventilation mécanique (PAVM), le choix optimal d'une antibiothérapie, et l'anticipation des variations des constantes vitales. Des projets étudiant la prédiction des infections sévères, et l'amélioration des choix thérapeutiques dans ce contexte par utilisation de techniques de deep learning et de reinforcement learning seront également menés. Le projet PIONEER (Pneumonia Identification and Outcomes via Neural Engine Exploration and Research) fait partie intégrante de ce travail. Ce dernier concerne l'application prospective de l'algorithme PREDICT de prédiction des pneumopathies créé au cours de mon MASTER 2, dans une cohorte multicentrique nationale. L'objectif de ce projet s'intègre dans un appel à projet de PHRC national visant à valider de manière prospective l'algorithme PREDICT sur une cohorte multicentrique de patients de réanimation à l'échelle nationale. Pour cela, nous prévoyons de mettre en place une étude prospective impliquant plusieurs centres de réanimation afin de tester la robustesse de l'algorithme dans différents contextes cliniques. La réalisation de ce projet de thèse s'appuiera sur des bases de données de grande taille collectées auprès des patients de réanimation, incluant les données des scopes, biologiques, cliniques, microbiologiques, radiologiques et pharmacologiques. Les approches d'IA utilisées comprendront des modèles de deep learning, de reinforcement learning, et des techniques de machine learning pour le traitement des séries temporelles. La validation des modèles se fera par des études rétrospectives et prospectives, avec des comparaisons aux approches conventionnelles. Le succès de ce projet pourrait ouvrir la voie à des collaborations nationales et internationales pour la mise en place d'algorithmes d'IA dans d'autres domaines de la médecine intensive. Ces travaux pourraient également inspirer des études similaires dans d'autres unités hors soins intensifs, élargissant ainsi l'impact de l'IA dans le domaine de la santé.

Severe infections are a major cause of morbidity and mortality in intensive care patients. Early identification of these infections and appropriate antibiotic therapy are key to improving the prognosis of these patients. However, diagnosis and management of these infections remain a challenge due to the complexity of clinical presentations and the multiple factors involved. Artificial intelligence (AI), in particular machine learning and deep learning approaches, offers considerable potential for improving the diagnosis and management of these infections. This science thesis project aims to explore and develop AI algorithms to improve the diagnosis, prediction and management of severe infections in the ICU. The project will address several axes, including the prediction of Ventilator-Acquired Pneumonia (VAP), the optimal choice of antibiotic therapy, and the anticipation of variations in vital constants. Projects studying the prediction of severe infections, and the improvement of therapeutic choices in this context through the use of deep learning and reinforcement learning techniques will also be carried out. The PIONEER project (Pneumonia Identification and Outcomes via Neural Engine Exploration and Research) is an integral part of this work. It concerns the prospective application of the PREDICT algorithm for predicting pneumopathies, created during my MASTER 2 course, in a national multicenter cohort. The aim of this project is to validate the PREDICT algorithm prospectively in a national multicenter cohort of intensive care patients. To this end, we plan to set up a prospective study involving several intensive care centers in order to test the algorithm's robustness in different clinical contexts. This thesis project will be based on large-scale databases collected from intensive care patients, including scopes, biological, clinical, microbiological, radiological and pharmacological data. The AI approaches used will include deep learning models, reinforcement learning, and machine learning techniques for time series processing. Models will be validated by retrospective and prospective studies, with comparisons to conventional approaches. The success of this project could pave the way for national and international collaborations to implement AI algorithms in other areas of intensive care medicine. This work could also inspire similar studies in other units outside intensive care, broadening the impact of AI in healthcare.