Skip to main content
×
×
Home

LO29: Création dune règle de décision clinique pour le diagnostic dun syndrome aortique aigu avec les outils dintelligence artificielle : phase initiale de définition des attributs communs aux patients sans syndrome aortique aigu chez une population à risque

  • A. Cournoyer (a1), V. Langlois-Carbonneau (a1), R. Daoust (a1) and J. Chauny (a1)
Abstract

Introduction: Les outils de prédiction disponibles (score clinique, ratio des neutrophiles sur lymphocytes et dosage des D-dimères) dans le diagnostic du syndrome aortique aigu (SAA) demeurent imparfaits. Dans ce contexte, avec lobjectif de développer une règle de décision clinique pour le diagnostic du SAA, la présente étude visait à définir un ensemble de variables discriminantes chez les patients souffrant ou non dun SAA en utilisant les outils dintelligence artificielle. Methods: À partir de lensemble des données cliniques disponibles chez les patients investigués pour douleur thoracique au département durgence avec une angiographie par tomodensitométrie (angioCT) visant à éliminer un SAA entre 2008 et 2014, un programme dapprentissage a été chargé de construire un arbre de décision (Clustering And Regression Tree) identifiant les patients ne souffrant pas dun SAA. La variable dintérêt était labsence de SAA et 23 attributs ont été testés. Le diagnostic de SAA était établi avec les résultats de langioCT. Des échantillons aléatoires de 70% de la population étudiée ont été testés de façon récursive (maximum de 100 itérations) pour construire larbre de décision. Six algorithmes dapprentissage (Reg Tree, LR, KNN, Naive B, Random Forest et CN2) ont été comparés et loptimisation du gain dinformation a été mesurée par les techniques de Gain Ratio et de Gini. Results: Un total de 198 patients (99 hommes et 99 femmes) dun âge moyen de 63 ans (±16) ont été inclus dans létude, parmi lesquels 26 (13%) souffraient dun SAA. Trois attributs ou regroupements dattributs ont permis de construire un arbre de décision permettant didentifier 114 patients sur 198 (57,6%) ayant une très faible probabilité de SAA (sensibilité visée de 100%). La sensibilité et spécificité de larbre de décision clinique était respectivement de 100% (intervalle de confiance [IC] 95% 86,7-100,0) et 70,4% (IC 95% 62,7-77,3). Les attributs en question étaient labsence de tout facteur de risque (e.g. syndrome de Marfan, chirurgie aortique ou valvulaire, histoire familiale), les signes vitaux (tension artérielle systolique, pouls et choc index) et les D-dimères. Le seuil de D-dimères utilisé pouvait varier entre 1114 et 1211 mcg/L selon lhémodynamie et la présence de facteur de risque. Les attributs suivants nétaient pas discriminants : le sexe, un antécédent de diabète, dhypertension artérielle ou de dyslipidémie, le tabagisme, avoir un déficit de perfusion, une différence de tension artérielle entre les deux bras ou un souffle dinsuffisance aortique et la formule sanguine. Conclusion: Les attributs les plus discriminants pour le SAA sont les facteurs à risque, lhémodynamie et les D-dimères. Une étude prospective multicentrique devrait être réalisé afin de développer une règle de décision clinique afin didentifier les patients à très bas risque de SAA à partir de ces attributs.

    • Send article to Kindle

      To send this article to your Kindle, first ensure no-reply@cambridge.org is added to your Approved Personal Document E-mail List under your Personal Document Settings on the Manage Your Content and Devices page of your Amazon account. Then enter the ‘name’ part of your Kindle email address below. Find out more about sending to your Kindle. Find out more about sending to your Kindle.

      Note you can select to send to either the @free.kindle.com or @kindle.com variations. ‘@free.kindle.com’ emails are free but can only be sent to your device when it is connected to wi-fi. ‘@kindle.com’ emails can be delivered even when you are not connected to wi-fi, but note that service fees apply.

      Find out more about the Kindle Personal Document Service.

      LO29: Création dune règle de décision clinique pour le diagnostic dun syndrome aortique aigu avec les outils dintelligence artificielle : phase initiale de définition des attributs communs aux patients sans syndrome aortique aigu chez une population à risque
      Available formats
      ×
      Send article to Dropbox

      To send this article to your Dropbox account, please select one or more formats and confirm that you agree to abide by our usage policies. If this is the first time you use this feature, you will be asked to authorise Cambridge Core to connect with your <service> account. Find out more about sending content to Dropbox.

      LO29: Création dune règle de décision clinique pour le diagnostic dun syndrome aortique aigu avec les outils dintelligence artificielle : phase initiale de définition des attributs communs aux patients sans syndrome aortique aigu chez une population à risque
      Available formats
      ×
      Send article to Google Drive

      To send this article to your Google Drive account, please select one or more formats and confirm that you agree to abide by our usage policies. If this is the first time you use this feature, you will be asked to authorise Cambridge Core to connect with your <service> account. Find out more about sending content to Google Drive.

      LO29: Création dune règle de décision clinique pour le diagnostic dun syndrome aortique aigu avec les outils dintelligence artificielle : phase initiale de définition des attributs communs aux patients sans syndrome aortique aigu chez une population à risque
      Available formats
      ×
Copyright
Corresponding author
*Corresponding author
Recommend this journal

Email your librarian or administrator to recommend adding this journal to your organisation's collection.

Canadian Journal of Emergency Medicine
  • ISSN: -
  • EISSN: 1481-8035
  • URL: /core/journals/canadian-journal-of-emergency-medicine
Please enter your name
Please enter a valid email address
Who would you like to send this to? *
×

Keywords

Metrics

Full text views

Total number of HTML views: 0
Total number of PDF views: 0 *
Loading metrics...

Abstract views

Total abstract views: 0 *
Loading metrics...

* Views captured on Cambridge Core between <date>. This data will be updated every 24 hours.

Usage data cannot currently be displayed