Corrélation entre anatomie et fonction : prédiction de la fraction d’éjection du ventricule gauche par Machine Learning à partir de 101 angioscanners thoraciques
Langue Français
Langue Français
Auteur(s) : Mollion-Terreno Mélanie
Directeur : Ohana Mickaël
Composante : MEDECINE
Date de création : 16-09-2020
Description : Médecine. Radiodiagnostic. Imagerie médicale, Objectif : prédire l'anormalité de la fraction d'éjection ventriculaire gauche (FEVG) à partir des données morphologiques d'angioscanners de l'oreillette gauche non synchronisés à l'ECG, réalisés avant ablation de fibrillation atriale. Matériel et Méthodes : Tous les patients ayant eu un angioscanner de l'oreillette gauche entre le 17/05/2018 et le 15/11/2018 avec échographie transthoracique dans les 11 jours ont été rétrospectivement inclus. Une FEVG - 55% était considérée comme pathologique. Une analyse statistique a été réalisée entre la FEVG et les données morphologiques suivantes : valeurs d'atténuation (ROI) dans l'aorte thoracique ascendante et descendante, l'oreillette gauche ; les diamètres et volumes des ventricules gauche (VG) et droit (VD); le délai du bolus tracking ; le diamètre des veines pulmonaires inférieures et les données qualitatives évocatrices de dysfonction VG. Un algorithme de Machine Learning a cherché à classer les patients dans le groupe normal ou pathologique selon une combinaison des métriques, ses performances ont été comparées au classement par rapport à la moyenne. Résultats : 101 patients ont été inclus, 22 avaient une FEVG pathologique. La corrélation avec la FEVG était significative pour les diamètres du VG, de la veine pulmonaire inférieure droite, les volumes du VG, du VD et la cardiomégalie. Les combinaisons de ces différents critères par Machine Learning n'ont pas permis d'obtenir une estimation de la FEVG significativement supérieure comparativement à la moyenne du groupe. Conclusion : Si nous avons pu confirmer la corrélation entre plusieurs paramètres morphologiques et la FEVG, nous n'avons pas pu créer par Machine Learning un modèle permettant de prédire la FEVG à partir de ces données., Objective: To predict left ventricular ejection fraction (LVEF) from quantitative and qualitative data of non-ECG-gated chest computed tomography angiography (CTA) performed prior to catheter ablation of atrial fibrillation (AF). Methods: All patients who had a CTA of the left atrium between 17/05/2018 and 15/11/2018 and transthoracic ultrasound (TTE) within 11 days were retrospectively included. LVEF - 55% was considered as abnormal. A statistical analysis was performed between LVEF and the following morphological data: attenuation values (ROI) in the ascending and descending thoracic aorta, left atrium; diameters and volumes of the left (LV) and right (RV) ventricles; bolus tracking delay; lower pulmonary vein diameter and qualitative data suggestive of LV dysfunction. A Machine Learning algorithm sought to classify patients into normal or abnormal group according to a combination of metrics, and its performance was compared to the ranking relative to the population average. Results: 101 patients were included, 22 had abnormal LVEF. The correlation with LVEF was significant for LV, right inferior pulmonary vein diameters, LV, RV volumes and cardiomegaly. Combinations of these different criteria by Machine Learning did not result in a significantly higher estimate of LVEF compared to the population average. Conclusion: We were able to confirm a correlation between several morphological parameters and LVEF, yet we failed to create a model using Machine Learning to predict LVEF from these data.
Mots-clés libres : Fraction d'éjection ventriculaire gauche, 617.6, Fibrillation auriculaire
Couverture : FR
Directeur : Ohana Mickaël
Composante : MEDECINE
Date de création : 16-09-2020
Description : Médecine. Radiodiagnostic. Imagerie médicale, Objectif : prédire l'anormalité de la fraction d'éjection ventriculaire gauche (FEVG) à partir des données morphologiques d'angioscanners de l'oreillette gauche non synchronisés à l'ECG, réalisés avant ablation de fibrillation atriale. Matériel et Méthodes : Tous les patients ayant eu un angioscanner de l'oreillette gauche entre le 17/05/2018 et le 15/11/2018 avec échographie transthoracique dans les 11 jours ont été rétrospectivement inclus. Une FEVG - 55% était considérée comme pathologique. Une analyse statistique a été réalisée entre la FEVG et les données morphologiques suivantes : valeurs d'atténuation (ROI) dans l'aorte thoracique ascendante et descendante, l'oreillette gauche ; les diamètres et volumes des ventricules gauche (VG) et droit (VD); le délai du bolus tracking ; le diamètre des veines pulmonaires inférieures et les données qualitatives évocatrices de dysfonction VG. Un algorithme de Machine Learning a cherché à classer les patients dans le groupe normal ou pathologique selon une combinaison des métriques, ses performances ont été comparées au classement par rapport à la moyenne. Résultats : 101 patients ont été inclus, 22 avaient une FEVG pathologique. La corrélation avec la FEVG était significative pour les diamètres du VG, de la veine pulmonaire inférieure droite, les volumes du VG, du VD et la cardiomégalie. Les combinaisons de ces différents critères par Machine Learning n'ont pas permis d'obtenir une estimation de la FEVG significativement supérieure comparativement à la moyenne du groupe. Conclusion : Si nous avons pu confirmer la corrélation entre plusieurs paramètres morphologiques et la FEVG, nous n'avons pas pu créer par Machine Learning un modèle permettant de prédire la FEVG à partir de ces données., Objective: To predict left ventricular ejection fraction (LVEF) from quantitative and qualitative data of non-ECG-gated chest computed tomography angiography (CTA) performed prior to catheter ablation of atrial fibrillation (AF). Methods: All patients who had a CTA of the left atrium between 17/05/2018 and 15/11/2018 and transthoracic ultrasound (TTE) within 11 days were retrospectively included. LVEF - 55% was considered as abnormal. A statistical analysis was performed between LVEF and the following morphological data: attenuation values (ROI) in the ascending and descending thoracic aorta, left atrium; diameters and volumes of the left (LV) and right (RV) ventricles; bolus tracking delay; lower pulmonary vein diameter and qualitative data suggestive of LV dysfunction. A Machine Learning algorithm sought to classify patients into normal or abnormal group according to a combination of metrics, and its performance was compared to the ranking relative to the population average. Results: 101 patients were included, 22 had abnormal LVEF. The correlation with LVEF was significant for LV, right inferior pulmonary vein diameters, LV, RV volumes and cardiomegaly. Combinations of these different criteria by Machine Learning did not result in a significantly higher estimate of LVEF compared to the population average. Conclusion: We were able to confirm a correlation between several morphological parameters and LVEF, yet we failed to create a model using Machine Learning to predict LVEF from these data.
Mots-clés libres : Fraction d'éjection ventriculaire gauche, 617.6, Fibrillation auriculaire
Couverture : FR
Type : Thèse d’exercice, ressource électronique, Médecine
Format : Document PDF
Source(s) :
Format : Document PDF
Source(s) :
- http://www.sudoc.fr/249278650
Entrepôt d'origine :
Identifiant : ecrin-ori-102544
Type de ressource : Ressource documentaire
Identifiant : ecrin-ori-102544
Type de ressource : Ressource documentaire