Modèles prédictifs du résultat clinique de la thrombectomie mécanique dans les AVC de la circulation antérieure grâce au Machine Learning

Discipline

Radiologie et imagerie médicale

Classification

Médecine et santé

Mots-clés

Thrombectomie,

Maladies cérébrovasculaires,

Apprentissage machine - Dissertation universitaire

Introduction- La thrombectomie mécanique (TM) s’est récemment imposée comme le traitement de référence des AVC ischémiques de la circulation antérieure par occlusion d’une artère proximale. Certaines indications sont consensuellement admises depuis la publication d’essais prospectifs contrôlés randomisés. Cependant, certaines indications sont toujours en cours d’évaluation, à mettre en balance avec les risques de la TM. Afin de mieux adapter le traitement de façon individuelle à chaque patient, l’objectif de cette étude était d’évaluer les capacités du Machine Learning à prédire le résultat clinique à 3 mois. Matériel et Méthodes- A partir du registre national prospectif multicentrique ETIS, les données des patients ayant bénéficié d’une TM pour un AVC de la circulation antérieure par occlusion proximale entre janvier 2018 et décembre 2020 ont été extraites. A l’aide de différentes variables cliniques, biologiques ou de l’imagerie disponibles en urgence plusieurs modèles de Machine Learning ont été entrainés : Support Vector Machine, Random Forest et XGBoost sur la cohorte des patients de 2018-2019. Les performances de ces différents modèles pour prédire le mRS à 3 mois (bon résultat clinique = mRS ≤ 2 et mauvais résultat clinique = mRS>2) ont été évaluées sur la cohorte des patients traités en 2020. Différentes approches méthodologiques ont été utilisées pour la sélection des variables et la gestion des données manquantes. Les performances des modèles ont été évaluées à l’aide de l’AUC, de la précision, de la sensibilité et spécificité puis les AUC ont été comparées avec le meilleur modèle. Résultats- 4297 patients ont été inclus dont 1737 (40%) avec bon résultat clinique et 2560 (60%) avec mauvais résultat clinique. 2365 patients traités entre 2018 et 2019 ont été utilisés pour entraîner les modèles et 599 patients traités en 2020 (après suppression des données manquantes) afin d’évaluer leurs performances. Le meilleur modèle a été atteint par l’algorithme de Support Vector Machine à l’aide du maximum de variables à disposition et après suppression des données manquantes avec une AUC = 0.77, une précision de 70.1, une spécificité de 75% et une sensibilité de 64% montrant une différence statistiquement significative (p <0.001 – 0.04) avec les modèles utilisant seulement les variables Âge, NIHSS, ASPECTS et délai symptômes-imagerie cérébrale (AUC = 0.71 - 0.74). Conclusion- Le Machine Learning montre des performances satisfaisantes pour prédire l’évolution clinique à 3 mois d’un AVC de la circulation antérieure traité par thrombectomie mécanique grâce au registre ETIS. Ces outils pourraient être une aide importante pour aider le praticien dans la décision de réaliser ou non une thrombectomie.