Modèle d'apprentissage automatique pour prédire l'évolution de l'activité électrique sans pouls pendant un arrêt cardiaque intra-hospitalier

Lors de l'activité électrique sans pouls (AESP), les fonctions mécaniques et électriques cardiaques sont dissociées, un phénomène se produisant dans 25 à 42 % des cas d'arrêt cardiaque intra-hospitalier (ACI). L'évaluation précise de la probabilité qu'un patient AESP passe à un retour de circulation spontanée (RCS) peut être vitale pour la réussite de la réanimation. Nous avons cherché à développer un modèle pour discriminer automatiquement entre les rythmes AESP avec une évolution favorable et défavorable vers la RCS. Un ensemble de données de 190 patients, dont 120 avec RCS, a été acquis avec des défibrillateurs de différents fournisseurs dans trois hôpitaux. L'ECG et le signal d'impédance transthoracique (ITT) ont été traités pour calculer 16 caractéristiques d'onde. Des modèles de régression logistique ont été conçus en intégrant à la fois des caractéristiques automatisées et des caractéristiques annotées dans le QRS pour identifier les AESP avec un meilleur pronostic menant à la RCS. Des techniques de validation croisée ont été appliquées, tant spécifiques au patient qu'stratifiées, pour évaluer la performance de l'algorithme. Le meilleur modèle consistait en un algorithme à trois caractéristiques qui affichait une médiane (intervalle interquartile) de l'aire sous la courbe/précision équilibrée/sensibilité/spécificité de 80,3 (9,9) / 75,6 (8,0) / 77,4 (15,2) / 72,3 (16,4) %. Les informations cachées dans les formes d'onde des signaux ECG et ITT, ainsi que les caractéristiques du complexe QRS, peuvent prédire la progression de l'AESP. Des méthodes automatisées comme celle proposée dans cette étude pourraient contribuer à aider à un traitement ciblé de l'AESP dans l'ACI.