Lyna ABROUGUI

Prédiction des revisites aux services d’urgence pour hémorragie intracrânienne

Contexte : Les revisites aux services d’urgences représentent un enjeu majeur pour les systèmes de santé, souvent témoignant de problèmes cliniques non résolus ou d’un besoin de prise en charge supplémentaire. Parmi elles, celles liées aux hémorragies intracrâniennes sont particulièrement préoccupantes en raison du risque élevé de complications graves. Une détection précoce, une prise en charge rapide et une transition des soins optimisée sont essentielles pour limiter les revisites aux urgences et réduire la morbidité et la mortalité associées. Malgré les avancées dans la compréhension de l’hémorragie intracrânienne et des revisites aux services d’urgences de manière indépendante, des lacunes persistent quant à l’identification des patients à risque de revenir aux urgences pour une hémorragie intracrânienne. Ces lacunes peuvent être dues à des difficultés de détection précoce, à l’évolution tardive de l’hémorragie ou encore à des facteurs favorisant l’aggravation d’une hémorragie existante. Développer des outils innovants de prédiction basés sur l’intelligence artificielle permettant d’anticiper ces situations est donc essentiel pour améliorer la prise en charge des patients et réduire les revisites évitables.

Objectif : Cette étude vise à concevoir un algorithme d’apprentissage automatique capable de prédire le risque de revisites aux urgences pour une hémorragie intracrânienne.

Méthodes : Un modèle d’apprentissage profond a été entraîné à partir de données de tomodensitométrie cérébrale sans contraste afin de détecter la présence ou l’absence d’hémorragie intracrânienne. En exploitant des examens de patients avec et sans HI, nous avons entraîné un modèle d’apprentissage profond basé sur une analyse probabiliste des pixels ainsi que des métadonnées pour identifier l’hémorragie et la catégoriser selon le type. Ce modèle a ensuite été appliqué à un ensemble d’examens issus de patients de l’Hôtel-Dieu de Lévis, afin d’estimer la probabilité d’hémorragie pour chaque cas. L’étude a inclus des patients âgés de 65 ans et plus s’étant présentés au département d’urgences de l’Hôtel-Dieu de Lévis et ayant eu un examen de tomodensitométrie sans contraste entre le mois de janvier 2010 et décembre 2021. Un modèle d’apprentissage automatique a ensuite été développé pour prédire les revisites à court terme aux services d’urgences avec une hémorragie intracrânienne, en intégrant les données cliniques des patients ainsi que les probabilités de d’hémorragie issues du modèle initial.

Résultats attendus et conclusion : Nous avons développé un algorithme d’intelligence artificielle qui pourrait aider les urgentologues et les radiologistes à mieux identifier les patients présentant un risque élevé de revenir aux urgences pour une nouvelle hémorragie intracrânienne ou une hémorragie existante qui se serait aggravée. Cet outil pourrait guider la décision sur le congé des urgences pour les patients à risque élevé de revenir, et optimiser le suivi des patients pour prévenir les revisites. En améliorant la transition des soins et en réduisant les complications, il contribuerait à une meilleure prise en charge et utilisation des ressources hospitalières.