Analyse du signal électrocardiogramme et apprentissage automatique pour l'estimation de l'état de conscience durant l'anesthésie générale

L'anesthésie générale est une procédure essentielle de la chirurgie moderne. Depuis son invention au XIXe siècle, elle a permis de réaliser des opérations chirurgicales de plus en plus longues et de plus en plus complexes, tout en diminuant le taux de mortalité. Malgré de nombreuses avancées dans la sûreté de cette procédure, l'anesthésie générale présente toujours des risques en cas de surdosage et de sous dosage des agents anesthésiques. Ces risques ont été réduits depuis les années 1990 par l'introduction de moniteurs de la profondeur de l'anesthésie. Ces moniteurs analysent l'électroencéphalogramme (EEG) du patient pour estimer son niveau de narcose et ainsi optimiser le dosage des agents anesthésiques. L'utilisation du signal EEG présente néanmoins des limites. Il est très sensible au bruit électromagnétique et certaines opérations ne permettent pas la pose d'électrodes sur le crâne. Dans cette thèse, nous étudions l'utilisation de l'électrocardiogramme (ECG) comme alternative à l'électroencéphalogramme pour l'estimation de la profondeur de l'anesthésie à l'aide de techniques d'apprentissage automatique. Tout d'abord, nous nous intéressons au problème simplifié de la classification entre les états éveillé et anesthésié. Pour cela, nous présentons un nouveau jeu de données issu d'une cohorte de quarante-huit patients ayant subi une opération chirurgicale sous anesthésie générale au CHRU de Tours. Nous comparons les performances de sept modèles d'apprentissage sur cette tâche. Nous montrons ainsi la pertinence d'utiliser l'ECG pour déterminer l'état de conscience d'un sujet. Nous mettons également en évidence que les indices de fragmentation et les mesures de complexité sont les variables cardiaques qui reflètent le mieux l'état de conscience. Dans un second temps, nous étudions une approche d'apprentissage auto-supervisée pour la classification des électrocardiogrammes. Le développement de modèles d'apprentissage pour l'analyse des ECGs se heurte au manque de données annotées. En effet, un grand volume de données est nécessaire pour représenter l'importante variabilité interindividuelle. Or, l'acquisition et l'annotation d'un tel jeu de données est complexe et coûteux. L'utilisation d'une approche auto-supervisée permet d'exploiter des jeux de données non annotées pour l'entrainement des modèles. Nous présentons les performances de réseaux de neurones profonds pré-entrainés sur un jeu de données public. Si les modèles obtenus montrent une baisse de performance pour la classification de l'état de conscience, on observe néanmoins une amélioration de la performance sur des tâches de détection d'arythmie. Nous pensons donc que cette approche reste une piste de recherche prometteuse pour le développement d'un indice de profondeur de l'anesthésie basé sur l'ECG et pour l'analyse des ECGs de manière plus générale. Pour conclure, cette thèse montre l'intérêt de l'ECG pour le développement d'un indice d'estimation de la profondeur de l'anesthésie et propose une voie de recherche autour de l'apprentissage auto-supervisé pour le développement d'un tel indice.