Wan we improve our diagnostic performance of acute coronary syndrome with non-obstructive coronary arteries using Machine Learning ?
| Titre | Wan we improve our diagnostic performance of acute coronary syndrome with non-obstructive coronary arteries using Machine Learning ? |
| Type | Thèse d'exercice : Médecine |
| Auteurs | Hommez Pierre |
| Directeurs | Bière Loïc |
| Année | 2024 |
| URL | https://dune.univ-angers.fr/fichiers/92012419/2024ODECV18985/fichier/18985F.pdf |
| Mots-clés | analyse non supervisée, analyse supervisée, IRM cardiaque, machine learning, MINOCA, Myocardite, Takotsubo |
| Résumé | Introduction : le syndrome coronarien aigue à coronaires saines est un défi en pratique clinique, avec différents diagnostics aux physiopathologies complexes et multifactorielles. L’imagerie par résonance magnétique permet de différencier les sous-groupes : MINOCA, myocardite, Takotsubo, mais souffre d’une faible disponibilité. Cette étude cherche à identifier des paramètres cliniques puis IRM prédictifs des sous-groupes, à l’aide du machine learning. Méthodes : 427 patients atteints de syndrome coronarien aigu à coronaires saines qui ont bénéficié d’une IRM cardiaque au CHU d’Angers, ont été inclus rétrospectivement. La cohorte a été classée en 5 groupes selon le diagnostic de l’IRM : MINOCA, myocardite, Takotsubo, IRM normale ou autres diagnostics. Deux analyses supervisées sont conduites à partir des données cliniques, avec et sans les données IRM, puis une analyse non supervisée est réalisée. Résultats : selon l’IRM, 48.95% des patients présentaient une myocardite, 19.91% un MINOCA, 10.54% un Takotsubo, 13.59% une IRM normale et 7.03% un autre diagnostic. Aucun cluster distinct n’est identifié dans l’analyse non supervisée. Le modèle Random Forest est utilisé pour le modèle clinique, permettant d’obtenir une AUC moyenne de 0.79 sur l’ensemble des groupes, mettant en évidence l’âge, l’athérome à l’angiographie coronaire et la FEVG comme les facteurs les plus prédictifs. La précision globale de ce modèle est de 0.60. Le modèle LightGBM est utilisé pour le modèle clinique avec données IRM permettant d’obtenir une meilleure AUC moyenne de 0.90, mettant en évidence l’hypersignal en T2 TSE, la valeur maximale en T1 mapping et l’âge comme les facteurs les plus prédictifs. La précision globale de ce modèle est discrètement meilleure à 0.64. Conclusion : notre étude montre que l’utilisation du machine learning pourrait améliorer la classification des patients, et contribuer à hiérarchiser la valeur des différents signes IRM pour le diagnostic étiologique. |
| Résumé en anglais | Introduction : acute coronary syndrome with non-obstructive coronary arteries (ACS-NOCA) is a clinical challenge, with various diagnoses involving complex and multifactorial pathophysiologies. Cardiac magnetic resonance imaging (CMR) can differentiate subgroups such as MINOCA, myocarditis, and Takotsubo syndrome but suffers from limited availability. This study aims to identify clinical and MRI predictive parameters of these subgroups using machine learning. Methods : a total of 427 patients presenting with acute coronary syndrome and non-obstructive coronary arteries who underwent CMR at the University Hospital of Angers were retrospectively included. The cohort was classified into five groups based on CMR diagnosis: MINOCA, myocarditis, Takotsubo, normal CMR, or other diagnoses. Two supervised analyses were conducted using clinical data, with and without CMR data, followed by an unsupervised analysis. Results : according to CMR findings, 48.95% of patients had myocarditis, 19.91% had MINOCA, 10.54% had Takotsubo syndrome, 13.59% had a normal CMR, and 7.03% had another diagnosis. No distinct clusters were identified in the unsupervised analysis. The Random Forest model was used for the clinical model, achieving an average AUC of 0.79 across all groups, with age, coronary angiography atheroma, and left ventricular ejection fraction (LVEF) being the most predictive factors. The overall accuracy of this model was 0.60. The LightGBM model was applied to the clinical model with CMR data, resulting in a higher average AUC of 0.90, with T2 TSE hypersignal, maximum T1 mapping value, and age identified as the most predictive factors. The overall accuracy of this model was slightly improved at 0.64. Conclusion : our study shows that the use of machine learning could improve patient classification and help prioritize the value of various CMR features for etiological diagnosis. |
| Langue de rédaction | Français |
| Nb pages | 53 |
| Diplôme | Diplôme d'État de docteur en médecine |
| Date de soutenance | 2024-10-30 |
| Editeur | Université Angers |
| Place Published | Angers |
| Libellé UFR | UFR Médecine |
| Numéro national | 2024ANGE211M |