I'MTech L'actualité scientifique et technologique de l'IMT
Une équipe de chercheurs d’IMT Atlantique a développé un algorithme permettant la détection automatique d’anomalies en ventilation mécanique, à partir d’une nouvelle théorie statistique. L’objectif est d’améliorer l’adéquation entre le patient et le ventilateur, réduisant ainsi le temps de ventilation mécanique, et donc d’hospitalisation. Dans des hôpitaux en tension avec de nombreux patients mis sous respirateur en raison de la pandémie de Covid-19, ce sujet est particulièrement crucial.
Dominique Pastor n’imaginait pas que la nouvelle approche théorique en statistiques sur laquelle il travaillait pourrait aider les médecins à mieux prendre en charge les patients sous ventilation mécanique (VM). Le domaine d’expertise de ce chercheur en statistiques est le traitement du signal, et plus particulièrement la détection d’anomalies. Ses travaux portent habituellement sur le traitement du signal radar ou celui de la parole. C’est sa rencontre avec Erwan L’Her, responsable des urgences de l’hôpital de la Cavale blanche à Brest, qui a orienté l’application de sa théorie, appelée Random Distortion Testing, à la ventilation mécanique. Le médecin a exposé au chercheur une problématique peu connue qui l’a motivé : il existe souvent une inadéquation entre les efforts réalisés par les patients sous VM et l’action du respirateur.
Des anomalies de signal lourdes de conséquences
Les respirateurs – ou ventilateurs – possèdent un dispositif qui permet de délivrer de l’air sous pression quand ils reconnaissent une demande du patient ; c’est alors ce dernier qui déclenche un cycle. Pour coller au mieux aux besoins spécifiques d’un individu, évolutifs dans le temps avec sa maladie, il existe de nombreux paramètres ajustables : débit d’air insufflé, nombre de cycles par minute… Des réglages standards sont appliqués lors de la mise en place de la VM, puis modifiés en fonction de l’aspect des courbes débit/pression – le fameux signal traité par l’algorithme Curvex, fruit de la collaboration entre Dominique Pastor et Erwan L’Her.
Les asynchronies patient–ventilateur sont définies comme un décalage entre l’inspiration du patient et l’insufflation du ventilateur. L’appareil peut par exemple ne pas détecter que le patient demande de l’air car le niveau du seuil de déclenchement est réglé trop haut. Cela aboutit à un effort inspiratoire inefficace. Il peut aussi se produire des doubles déclenchements, qui correspondent à deux cycles générés par le ventilateur pour un seul effort du patient. Le patient peut également ne pas avoir eu le temps de vider complètement ses poumons quand une nouvelle phase inspiratoire est déclenchée par le respirateur, aboutissant à une hyperinflation dynamique des poumons, aussi appelée PEP (pression expiratoire positive) intrinsèque.
Ces anomalies de l’interface patient-ventilateur seraient très fréquentes en pratique clinique. Leurs conséquences sont lourdes, allant de l’inconfort du patient à une augmentation de ses efforts respiratoires pouvant conduire à une ventilation invasive – une intubation. Elles impliquent un allongement de la durée de ventilation mécanique avec une augmentation des échecs de sevrage (arrêt de la VM), et donc un allongement de la durée d’hospitalisation.
Or le nombre de patients nécessitant une ventilation mécanique a explosé avec la pandémie de Covid-19, alors que le nombre de soignants, de respirateurs et de lits a modérément augmenté, entraînant parfois des choix éthiques difficiles. Une réduction de la durée de ventilation serait donc un avantage non négligeable dans la situation actuelle, mais également de manière plus générale, car les pathologies respiratoires sont de plus en plus fréquentes, en lien notamment avec le vieillissement de la population.
Un modèle statistique adaptable à différents signaux
Les asynchronies patient-respirateur se traduisent par des anomalies visibles au niveau des courbes de débit d’air et de pression. Ces courbes modélisent la succession des phases inspiratoires où la pression augmente, et des phases expiratoires où elle diminue, avec une inversion des flux d’air. Les écrans de contrôle de la plupart des appareils de nouvelle génération présentent ces courbes de débit et de pression. Les anomalies peuvent être repérées à l’œil nu, mais cela nécessite une surveillance régulière des courbes, et donc la présence d’un médecin, qui pourra alors modifier les réglages du respirateur. L’objectif du duo Dominique Pastor et Erwan L’Her a été de développer un algorithme capable de détecter certaines anomalies de manière automatique ; ce travail a fait l’objet d’un brevet sous le nom de Curvex en 2013.
La détection d’une anomalie correspond à une déviation significative par rapport à la forme habituelle attendue du signal. « Nous avons choisi une approche appelée apprentissage supervisé par modèle mathématique » explique Dominique Pastor. Une des caractéristiques de sa théorie, le Random Distorsion Testing, est qu’elle permet de détecter des anomalies de signal avec très peu de connaissances a priori. « Le signal que l’on doit traiter est souvent assez mal connu, comme dans le cas de la VM, car chaque patient présente des spécificités, et qu’il est difficile d’obtenir un grand nombre de données médicales. Les théories statistiques usuelles ont du mal à prendre en compte un degré d’incertitude élevé vis-à-vis du signal. Notre modèle en revanche est suffisamment générique et flexible pour englober énormément de situations. »
Dominique Pastor a d’abord travaillé sur des algorithmes de détection de PEP intrinsèque avec un doctorant, Quang-Thang Nguyen, qui l’a aidé à trouver des solutions. « L’algorithme est une méthode de segmentation des signaux de débit d’air pour identifier les différentes phases de la respiration et calculer les modèles pour la détection d’anomalies. Nous avons introduit un paramètre réglable, la tolérance, qui va définir l’écart que l’on s’accorde par rapport au modèle pour décider que c’est une anomalie » détaille Dominique Pastor. Cette tolérance ajustable par l’utilisateur selon ses besoins pour faire varier la sensibilité et la spécificité, est un atout selon le chercheur d’IMT Atlantique.
La plateforme Curvex permet de traiter non seulement les données de débit d’un ventilateur mais également un large éventail de signaux physiologiques (Électrocardiogramme, Électroencéphalogramme…). Un simulateur de ventilation a été inclus, avec des paramètres modifiables en temps réel, de manière à tester les algorithmes et à faire des démonstrations. En modifiant certains paramètres pulmonaires (compliance, résistances des voies aérienne…) et le niveau de bruit de fond, différentes anomalies de signal (PEP intrinsèque, efforts inspiratoires inefficaces, etc.) apparaissent aléatoirement. L’algorithme les détecte et les caractérise. « En termes de méthodologie c’est important d’avoir des signaux statistiques qu’on maîtrise pour vérifier que ça fonctionne, et pouvoir ensuite passer sur des signaux réels » explique Dominique Pastor.
L’étape suivante est de créer une « proof of concept » (POC), en construisant une électronique dédiée à la détection des anomalies du signal ventilatoire, installée dans un service d’urgences ou de réanimation, et utilisée par les soignants. L’objectif étant de fournir un matériel polyvalent adaptable sur n’importe quel respirateur. « La théorie s’est étoffée depuis 2013, mais le projet a malheureusement peu progressé au plan technique en raison d’un manque de financements. Aujourd’hui nous espérons qu’il pourra enfin se concrétiser, en partenariat avec un laboratoire, ou des concepteurs de ventilateurs par exemple ; je pense que cette utilisation de nos algorithmes est une piste intéressante au plan scientifique et médical » conclut Dominique Pastor.
Par Sarah Balfagon.
Pour aller plus loin :
– Mechanical ventilation system monitoring: automatic detection of dynamic hyperinflation and asynchrony. Quang-Thang Nguyen, Dominique Pastor, François Lellouche and Erwan L’Her
Sources de l’iconographie :