Intérêt du machine learning dans la recherche de marqueurs impliqués dans le remodelage cardiaque et le syndrome neuro-cardiaque
| Titre | Intérêt du machine learning dans la recherche de marqueurs impliqués dans le remodelage cardiaque et le syndrome neuro-cardiaque |
| Type | Thèse de doctorat |
| Auteurs | Dieu Xavier |
| Directeurs | Prunier-Mirebeau Delphine, Prunier Fabrice, Reynier Pascal, Béroud Christophe, Lafitte Stéphane, Badiou Stéphanie |
| Année | 2022 |
| URL | https://dune.univ-angers.fr/fichiers/15009152/202216211/fichier/16211F.pdf |
| Mots-clés | apprentissage automatique, infarctus du myocarde, intelligence artificielle, remodelage cardiaque, syndrome neuro-cardiaque |
| Résumé | Dans le domaine de la santé, le volume, la diversité et la complexité croissante des données générées a nécessité une évolution des méthodes d’analyse. Les techniques d’analyse de données de type apprentissage machine (machine learning) répondent à ce défi en modélisant des relations complexes pour un grand nombre de variables. Nous avons testé l’apport de ces méthodes machine learning dans deux pathologies cardiovasculaires, l’infarctus du myocarde (IM) et l’accident vasculaire cérébral (AVC). Dans notre première étude nous avons cherché à améliorer la prédiction du risque d'apparition d'un remodelage ventriculaire gauche (RVG) à trois mois après IM avec sus-décalage du segment ST. Nous avons utilisé une approche issue du machine learning, dans une cohorte de 443 patients suivis au CHU d’Angers. 133 variables cliniques, biologiques et d'imagerie par résonance magnétique cardiaque (IRM) à la première semaine et 3 mois après l'IM ont été collectées. Un modèle de régression logistique de base utilisant des variables précédemment décrites dans la littérature a obtenu une AUC de 0,71 sur les données de test. En comparaison, notre meilleur modèle était un réseau de neurones utilisant sept variables sélectionnées par des algorithmes de sélection de variables qui a obtenu une AUC de 0,78 sur les données de test, atteignant un niveau de sensibilité plus élevé que les méthodes traditionnelles pour la prédiction d'un RVG à 3 mois après l'IM. Dans un second projet, nous avons utilisé le machine learning pour chercher des métabolites impliqués dans la physiopathologie du syndrome neuro-cardiaque. 630 métabolites issus d’une étude métabolipidomique ont été quantifiés dans le plasma et le cœur de 12 rats ayant subi un AVC et 28 rats contrôles. Nous avons identifié une signature métabolique dans le cœur des rats après l’AVC en lien avec le renouvellement du collagène, la production d’oxyde nitrique, et l’inflammation. En conclusion, ces résultats montrent l’intérêt de l'utilisation d'une approche machine learning pour améliorer le pronostic ou la compréhension des mécanismes physiopathologiques de pathologies cardiovasculaires. |
| Résumé en anglais | In the field of health, the increasing volume, diversity and complexity of the data generated has necessitated an evolution of the analysis methods and approaches. We describe the contribution of machine learning applied to the medical field, and more specifically to cardiology. We sought to improve the prediction of the risk of occurrence of left ventricular remodelling (LVR) at three months after ST-segment elevation myocardial infarction (MI), using a machine learning approach, in a cohort of 443 patients followed at the University Hospital of Angers. We retrieved 133 clinical, biological and cardiac magnetic resonance imaging (MRI) variables at the first week after MI, and the LVR was assessed by MRI at 3 months. A basic logistic regression model using variables previously described in the literature achieved an AUC of 0.71 on the test data. In comparison, our best model was a neural network using seven variables selected by variable selection algorithms that achieved an AUC of 0.78 on the test data, achieving a higher level of sensitivity than traditional methods for predicting LVR at 3 months after MI.In a second project, we used machine learning to analyse massive data from a metabolipidomic study assaying 630 metabolites in a rat stroke model to investigate metabolic changes affecting the heart within 1-3 days after stroke. We were able to analyse 12 rats that had suffered a stroke and 28 rats undergoing the sham procedure. We were able to identify a metabolic signature in the post-stroke rat heart that shows increased collagen turnover, increased arginase activity with decreased nitric oxide production, altered serine, asparagine, lysine and glycine metabolism. In conclusion, these results show the interest of using a machine learning approach to improve prognosis or the understanding of the physiopathological mechanisms of cardiovascular pathologies |
| Langue de rédaction | Français, anglais |
| Diplôme | Thèse de doctorat |
| Date de soutenance | 2022-12-13 |
| Editeur | Université d'Angers |
| Place Published | Angers |
| Libellé UFR | Collège doctoral |
| personnalisé5 | École doctorale Biologie-Santé (Rennes) |
| personnalisé6 | Mitovasc (Angers) |
| personnalisé7 | Biologie Moléculaire et Structurale, Biochimie |