Analyse de la relation entre la fréquence cardiaque et la température corporelle chez les enfants en état critique par apprentissage automatique

Lu, Émilie (2024). Analyse de la relation entre la fréquence cardiaque et la température corporelle chez les enfants en état critique par apprentissage automatique. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Le principal objectif de ce projet est d’explorer la relation entre la fréquence cardiaque (FC) et la température corporelle (TC) spécifiquement chez les enfants âgés de 0 à 18 ans admis à l’unité de soins intensifs pédiatriques (USIP). Pour atteindre cet objectif, nous avons utilisé des algorithmes d’apprentissage automatique (ML) pour explorer la relation complexe entre les deux signes vitaux, en allant au-delà des méthodes de régression linéaire traditionnelles pour une compréhension plus approfondie.

Les résultats obtenus montrent une tendance cohérente de diminution de la FC avec l’augmentation de l’âge du patient, confirmant la corrélation inverse observée. Initialement, nous avons utilisé des modèles de régression linéaire conventionnels, et leurs performances étaient assez faibles. Plus précisément, nous avons observé une valeur de R-carré (R2) variant de 0,2967 à 0,3220, ainsi qu’une erreur quadratique moyenne (MSE) allant de 610,0736 à 620,5992. Ensuite, une analyse détaillée a identifié le modèle de Machines boosting de gradient (GBM) mis en oeuvre avec une Régression quantile (QR) comme étant le modèle ayant la meilleure performance par rapport aux autres modèles. En utilisant la perte totale en quantile comme métrique d’évaluation pour les modèles QR, le modèle le plus performant GBM a démontré la plus basse perte totale en quantiles de 6,5069 ± 5,2507e-05. Il est important de mentionner que ce modèle, caractérisé par son noyau non linéaire, capture efficacement la relation non linéaire entre la FC, la TC et l’âge chez les jeunes patients en situation critique. De plus, nous avons conçu une interface utilisateur spécifiquement pour générer les prédictions de FC basées sur trois paramètres essentiels : la FC actuelle, la TC actuelle, et l’âge du patient. L’interface fournit en sortie les FCs prédites à différents percentiles ainsi que la position actuelle de la FC, permettant aux soignants de déterminer si la FC se situe dans la plage normale (entre le 5e et le 95e percentiles) ou non.

En résumé, cette recherche contribue à améliorer notre compréhension de la tendance entre la FC, la TC et l’âge chez les enfants gravement malades et remet en question les hypothèses établies sur la relation linéaire entre la FC et la TC. Le modèle ML, QR réalisé avec GBM, démontre son efficacité à capturer la dynamique non linéaire de ces paramètres physiologiques, soulignant l’importance de reconsidérer les hypothèses traditionnelles dans les contextes cliniques. De plus, nous espérons que l’interface utilisateur développée pour la prédiction de la FC pourra aider les cliniciens dans la prise de décisions cliniques.

Titre traduit

A machine learning-based study on heart rate and body temperature relationship in critical ill children

Résumé traduit

The main objective of this project is to explore the relationship between heart rate (HR) and body temperature (BT) specifically in critical ill children aged 0 to 18 years admitted to the Pediatric Intensive Care Unit (PICU). To achieve this goal, we employed Machine learning (ML) algorithms to investigate the complex relationship between these vital signs, going beyond traditional linear regression methods for a more in-depth understanding of the association.

The results reveal a consistent trend of decreasing HR with increasing patient age, confirming the observed inverse correlation. Initially, we employed conventional linear regression models, and their performance was notably low. Specifically, we observed an R-squared (R2) value ranging from 0.2967 to 0.3220, along with a Mean squared error (MSE) ranging from 610.0736 to 620.5992. Furthermore, a detailed analysis identifies Gradient Boosting Machines (GBM) implemented with Quantile regression (QR), as the best model performance compared to others. Utilizing total quantile loss as an evaluation metric for QR models, the top-performing model demonstrated the lowest total quantile loss of 6.5069 ± 5.2507e-05. This model distinguished by its non-linear kernel, effectively capture the intricate non-linear relationships between HR, BT, and age in critically ill young patients at different quantiles. Moreover, we’ve designed a simple user interface specifically for generating HR predictions based on three essential parameters : current HR, current BT, and patient’s age. The interface provides the predicted HR at various percentiles along with the current HR position, allowing caregivers to determine whether the HR falls within the normal range (between the 5th and 95th percentiles) or not.

In summary, this research contributes to enhancing our understanding of HR trends related to BT and age in critically ill children, challenging established assumptions about the linear relationship between HR and BT. The selected ML model, QR performed with GBM, demonstrate their effectiveness in capturing the non-linear dynamics of these physiological parameters, emphasizing the importance of reconsidering traditional assumptions in clinical contexts. Additionally, we aspire that the user interface developed for HR prediction can aid clinicians in making clinical decisions.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie des technologies de la santé". Comprend des références bibliographiques (pages 47-51).
Mots-clés libres:	apprentissage automatique, apprentissage profond, fréquence cardiaque, température corporelle, régression quantile, unité des soins intensifs pédiatriques, patients gravement malades
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Noumeir, Rita
Codirecteur:	Codirecteur Jouvet, Philippe
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	17 déc. 2024 14:46
Dernière modification:	17 déc. 2024 14:46
URI:	https://espace.etsmtl.ca/id/eprint/3516

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt