Diplômes & Thèses
Modèle prédictif de survenue de décès dans les 7 jours chez les patients atteints de sepsis sévère

Master MASSS (Modélisation et Apprentissage de la  Statistique en Sciences Sociales)

Par Adrien FRANCAIS

Le sepsis est la deuxième cause principale de décès en réanimation après l'accident cardiocirculatoire. C'est aussi la dixième cause de décès aux Etats-Unis. Et c'est pour cette raison que de nombreuses études ont été réalisées pour réduire le taux de mortalité chez les patients atteints de sepsis sévère.

Nous avons besoin de déterminer les probabilités de décès à intervalle fixe des sepsis sévères survenant en réanimation. Ces prédictions peuvent servir à informer les familles, à guider les traitements à mettre en place et à permettre d'ajuster les résultats des études randomisées.

L'objectif est donc de créer un modèle simple, utilisable par tous les médecins, qui permet de prédire la mortalité dans les 7 jours après la survenue de l'infection sepsis sévère, à travers les variables à l'admission du patient mais aussi les variables de gravité journalière (comme le score LOD : Logisitic Organ Dysfonction).

Ensuite, nous allons déterminer les facteurs pronostiques de décès puis créer un modèle logistique multivarié du décès sur le premier épisode, afin de visualiser les variables les plus pronostiques du décès.

Mais l'enjeu principal est le modèle final. Chaque patient peut avoir plusieurs sepsis différents (de 1 à 7) par séjour donc on peut supposer que les observations d'un même patient sont corrélées (non indépendantes), et c'est le problème des données corrélées.

Comment traiter ce problème ? Faut-il introduire un terme aléatoire dans mon modèle ou garder uniquement des effets fixes? C'est ce que nous allons voir dans cette étude à travers différentes approches. Mais il faudra toujours garder en tête que mon modèle doit être simple et reproductible. Et c'est pour cela qu'il sera validé sur une base de données qui n'a pas servi à sa construction, et qu'un programme Excel sera développé pour une utilisation concrète du modèle.

 

Rapport de stage Rapport de stage 1001.25 Kb

Présentation de fin de stage Présentation de fin de stage 375.78 Kb

 
Construction d'un modèle de prédiction des infections nosocomiales en réanimation

Rapport de stage par Molière Nguile Makao

Construction d'un modèle de prédiction des infections nosocomiales en réanimation Construction d'un modèle de prédiction des infections nosocomiales en réanimation

 
Extraction automatique des diagnostics à partir des comptes rendus médicaux textuels

Thèse pour le doctorat en informatique
Dr Didier Nakache, soutenue publiquement le 26 septembre 2007

Titre de la thèse :

Extraction automatique des diagnostics à partir des comptes rendus médicaux textuels

Laboratoire d’accueil : laboratoire CEDRIC, équipe ISID, CNAM de Paris

RESUME

Pour évaluer des actions visant à améliorer la santé publique, les analyses s'appuient majoritairement sur les diagnostics des patients hospitalisés. Si celui-ci ne pose pas de problème au praticien, son codage nécessite une précision particulière. La France, comme de nombreux pays, utilise la 10ème version de la Classification Internationale des Maladies (CIM-10). La saisie des codes diagnostics est compliquée car elle nécessite une recherche laborieuse dans un catalogue comportant plus de 50 000 items. De plus, le praticien est confronté à un problème de temps et de subjectivité, en particulier eu égard à ses domaines d'expertise du praticien. Le projet CIREA (Classification Informatique pour la REAnimation) fournit un outil informatique d'aide au codage CIM-10 qui permet aux praticiens d'obtenir un codage reproductible et de meilleure qualité tout en y consacrant moins de temps. Après analyse du compte rendu d'hospitalisation (CRH) rédigé en langue naturelle, le logiciel propose automatiquement au praticien un ensemble de codes pertinents en implémentant des algorithmes d'analyse du texte (textmining). L'outil explique également la justification des choix proposés en montrant la force de la relation entre les termes ou concepts utilisés et les diagnostics proposés. Les travaux réalisés pour ce projet sont transposables à d'autres secteurs fonctionnels et peuvent se faire rétrospectivement.  

 
Documents disponibles:

 
Pronostic des patients d’oncohématologie en réanimation

MASTER Mention Mathématiques et Informatique Spécialité Statistique

Aurélien VESIN

INSERM unité U578 / OUTCOMEREA, Grenoble

Etude menée sur la base de données OUTCOMEREA de 4918 patients admis en service de réanimation. L’objectif de cette étude est de prédire le décès des patients atteints de maladies relevant de l’oncohématologie (cancer et hémopathies) présents en réanimation. Ces malades au pronostic épouvantable avant 1995, ont connu dès lors une nette amélioration. Cependant, leur pronostic est toujours critique. Les méthodes de statistiques supervisées utilisées pour cette étude sont les arbres de décision et la régression logistique. La sélection des patients d’oncohématologie a réduit le nombre d’individus pour la phase de modélisation à 705 patients séparés en 3 groupes dépendant du service d’origine (chirurgie programmée, chirurgie urgente et médecine). La modélisation a montré une faiblesse des arbres de décision pour prédire le pronostic et nous a orienté sur les modèles de régression logistiques. Ces derniers présentent une bonne qualité d’ajustement. Les variables influentes sur le pronostic des patients révélés par les régressions logistiques sont : Les sous-scores SOFA (Sequential Organ Failure Assessment) de défaillances d’organes, l’age, la variation du SOFA, le transfert, l’immunodépression par prise de corticoïdes, la tumeur maligne des poumons.

Modèle de prédiction du décès chez les patients d’oncohématologie en réanimation Présentation de fin de stage

Rapport de stage Rapport de stage