SMARTLOOP

Machine learning pour l’optimisation de la prise en charge des patients suspects d’occlusion digestive

En cours d'exécution

01/11/2023

30/10/2024

Objectifs principaux

Le premier objectif du projet est de construire un modèle de réseaux de neurones profonds, capable de réaliser une détection automatisée des occlusions digestives à partir d’un scanner.
Les objectifs suivants sont :
- Construire des modèles de traitement du langage permettant d’obtenir des labels à partir des comptes rendus radiologiques.
- Classification des occlusions coliques versus grêliques
- Classification des occlusions fonctionnelles versus mécaniques
- Analyse via radiomics des zones de jonction
- Détection automatisée des zones de jonction
- Amélioration de la performance de prédiction de prise en charge chirurgicale

Les modèles obtenus permettront d’aider les radiologues et de fluidifier la prise en charge des patients consultant en urgence.

#MachineLearning | #OcclusionDigestive

Problème identifié

L’occlusion digestive est un motif fréquent de consultation en urgence. Son diagnostic nécessite la réalisation d’un scanner abdomino-pelvien et sa prise en charge peut être soit médicale ou chirurgicale. Ainsi, il est utile d’avoir une aide à l’interprétation radiologique, du triage initial à l’évaluation de la gravité et de la cause de l’occlusion. De plus, il paraît utile de développer une aide à la décision de prise en charge, en évitant le retard de la prise en charge chirurgicale

Publications

Contacts

Quentin Vanderbecq ()

Membres

AP-HP, Sorbonne Center for Artificial Intelligence (SCAI), Inria, Groupe Hospitalier Paris Saint-Joseph