Le diagnostic de mort cérébrale est une étape complexe et chronophage lors de l'évaluation des patients en soins intensifs soupçonnés d'être en décès neurologique. Bien que les critères neurologiques cliniques qui déterminent la mort cérébrale soient largement acceptés dans le monde, le diagnostic reste imparfait et l'utilisation de tests auxiliaires tels que la perfusion tomographique cérébrale (CTP) est souvent nécessaire pour le confirmer. L'objectif principal de ce travail était d'explorer la faisabilité de classer la mort cérébrale à partir de scans CTP par le traitement automatique de l’image.
Les scans CTP de l'étude prospective canadienne multicentrique de validation du CTP pour le diagnostic de décès neurologique ont été regroupées à partir de 11 sites participants (INDex-CTP, ClinicalTrials.gov, NCT03098511). Des caractéristiques spatiales et temporelles ont été extraites en utilisant une combinaison de deux modules de convolution et utilisées pour prédire la mort neurologique. Les performances du modèle ont également été évaluées sur différentes catégories de blessures cérébrales.
Les études de 217 patients ont été utilisées pour entraîner le modèle. Nous rapportons une AUC de 0,79 (IC95 % 0,76-0,82), un score F1 de 0,82 (IC95 % 0,80-0,83), une précision de 0,92 (IC95 % 0,91-0,93), un rappel de 0,76 (CI95 % 0,72-0,79) ainsi qu'une valeur prédictive négative de 0,49 (CI95 % 0,45-0,53). En raison de la petite taille d'échantillon, nous n'avons pas effectué de tests statistiques sur des sous-ensembles de lésions cérébrales, mais avons signalé une valeur prédictive négative du modèle présumé plus élevée sur des blessures cérébrales anoxiques avec 0,82 (CI95 % 0,77-0,87).
Ce modèle montre des preuves préliminaires soutenant la faisabilité de développer un réseau neuronal profond pour classer les patients comateux comme étant neurologiquement décédés ou non. Des recherches supplémentaires sont nécessaires pour valider et améliorer le modèle en utilisant des ensembles de données plus vastes et diversifiés. / The diagnostic of brain death is a complex and chronophage step when evaluating patients in critical care suspected of being neurologically deceased. Although the clinical neurological criteria that determine brain death are mostly accepted worldwide, the diagnosis remains imperfect and often the use of ancillary tests such as brain computed tomography perfusion (CTP) are required to confirm it. The main objective of this work was to explore the feasibility of classifying brain death from CTP scans using deep learning.
CTP studies from a multicenter prospective diagnostic cohort study with the primary objective of evaluating the diagnostic accuracy of neurological death using CTP were pooled from 11 participating sites (INDex-CTP, ClinicalTrials.gov, NCT03098511). Spatial and temporal features were extracted using a combination of two convolution modules and used to predict neurological death. The performance of the model was also evaluated on subsets of cerebral injuries.
217 patients' studies were used to train the model. We report an AUC of 0.79 (IC95% 0.76-0.82), a F1 score of 0.82 (IC95% 0.80-0.83), a precision of 0.92 (IC95% 0.91-0.93), a recall of 0.76 (CI95% 0.72-0.79) as well as a negative predictive value of 0.49 (CI95% 0.45-0.53). Due to a lack of sample size, we did not perform statistical tests on subsets of cerebral injury, but report suspected higher model negative predictive value on anoxic cerebral injury with 0.82 (CI95% 0.77-0.87).
This model shows preliminary evidence supporting the feasibility of developing a deep neural network to classify comatose patients as neurologically deceased or not. Additional research is needed to validate and refine the model by employing larger and more diverse datasets.
Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/28745 |
Date | 04 1900 |
Creators | Plantin, Johann |
Contributors | Chassé, Michaël |
Source Sets | Université de Montréal |
Language | fra |
Detected Language | French |
Type | thesis, thèse |
Format | application/pdf |
Page generated in 0.0108 seconds