these_altuve

137 vues

Publié le

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
137
Sur SlideShare
0
Issues des intégrations
0
Intégrations
3
Actions
Partages
0
Téléchargements
2
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

these_altuve

  1. 1. No d’ordre : 4380 ANNÉE 2011 THÈSE / UNIVERSITÉ DE RENNES 1 sous le sceau de l’Université Européenne de Bretagne COTUTELLE / UNIVERSIDAD SIMÓN BOLÍVAR pour les grades de DOCTEUR DE L’UNIVERSITÉ DE RENNES 1 Mention : Traitement du signal et télécommunications Ecole doctorale MATISSE et DOCTOR EN INGENIERÍA DE LA UNIVERSIDAD SIMÓN BOLÍVAR Decanato de Estudios de Postgrado présentée par Miguel ALTUVE préparées à l’unité de recherche LTSI - INSERM U642 Laboratoire de Traitement du Signal et de l’Image UFR Structure et Propriétés de la Matière Grupo de Bioingeniería y Biofísica Aplicada Decanato de Investigación y Desarrollo Détection multivariée des épisodes d’apnée-bradycardie chez le prématuré par modèles semi-Markovien cachés Thèse soutenue à Rennes le 8 juillet 2011 devant le jury composé de : Jean-Marc BOUCHER Pr, Telecom Bretagne / rapporteur Jocelyne FAYN Ingénieur de Recherche INSERM, HDR, Lyon/ rapporteur Pablo LAGUNA Pr, Université de Saragosse / examinateur Patrick PLADYS Pr, Université de Rennes 1 / examinateur Gianfranco PASSARIELLO Pr, Université Simon Bolivar / examinateur Guy CARRAULT Pr, Université de Rennes 1 / co-directeur de thèse Alfredo HERNÁNDEZ CR INSERM, HDR, Université de Rennes 1 / co-directeur de thèse
  2. 2. À ma femme Rosana
  3. 3. On me l’a raconté et je l’ai oublié. Je l’ai vu et je l’ai compris. Je l’ai fait et je l’ai appris. Confucius
  4. 4. Remerciements D’abord je tiens à remercier Dieu pour l’intelligence qu’il m’a accordée pour réaliser cette thèse. Je remercie ma femme Rosana pour avoir cru en moi, sa présence et sa patience ont été très précieuses durant cette longue aventure. Pour toutes ces raisons et plus encore, je lui dédie affectueusement cette thèse. Je remercie aussi ma famille, tout spécialement mes parents, frère et sœurs, pour leur amour et leur soutien inconditionnel à tout moment, même dans la distance. Je remercie également parents, frère et sœur de ma femme pour leur soutien. Je tiens à exprimer ma gratitude à mes directeurs de thèse, Messieurs Guy CARRAULT et Alfredo HERNÁNDEZ, pour tous leurs conseils scientifiques et leur sens critique tout au long de cette thèse, ainsi que pour les remarques constructives qu’ils ont su me donner lors de la rédaction de ce manuscrit et des articles scientifiques. Je compte sur vous pour la continuation de la colaboration GBBA-LTSI pour les années à venir. Un grand merci aux distingués membres du jury pour leurs commentaires constructifs et suggestions apportées à mes travaux de recherche. Je tiens à exprimer mes remerciements aux Professeurs Lotfi SENHADJI, directeur du LTSI et Jean-Louis COATRIEUX, directeur de recherche INSERM et initiateur de la collaboration GBBA-LTSI, de m’avoir accueilli chaleureusement au sein de leur laboratoire. Je remercie aussi le personnel administratif du LTSI, plus particulièrement Mesdames Patricia BERNABE, Soizic CHARPENTIER et Muriel DIOP, de m’avoir aidé à résoudre de nombreux problèmes administratifs. Je remercie les membres de l’équipe SEPIA du LTSI dont j’ai fait partie, pour les discussions au sujet de nombreux domaines en traitement du signal, et plus particulièrement les médecins de l’équipe, Messieurs Alain BEUCHÉE et Patrick PLADYS, dont les expertises dans le domaine pédiatrique étaient remarquables. Ils ont su m’apporter beaucoup d’idées pour résoudre les problèmes rencontrés et j’ai beaucoup apprécié leur avis sur les sujets cliniques. i
  5. 5. ii Je reconnais de plus le soutien continu des doctorants, stagiaires et postdoctorants du LTSI au long de mes années de recherche. Je suis particulièrement reconnaissant envers Monsieur Jérôme DUMONT pour les discussions scientifiques au cours de ce travail qui, par ailleurs, représente une continuité des idées proposées dans sa thèse. J’ai pu également compter sur le soutien technique de Monsieur Julien FLEUREAU pour le temps qu’il a su me consacrer durant ma première année de thèse, en particulier en ce qui concerne la programmation. Je remercie énormément Monsieur David OJEDA pour m’avoir aidé en Linux, LATEX, à résoudre rapidement des problèmes en programation et fait découvrir d’autres logiciels qui m’ont facilité le travail au cours de ma thèse. Je lui suis très reconnaissant aussi pour son amitié et pour les activités sportives et sociales réalisées ensemble. Je remercie Malo GAUBERT, Nicolas CLADEL, Guillaume CAZOULAT, Marie-Paule GARCIA, Krzysztof JURCZUK, Bertrand SAUDREAU, Solenna BLANCHARD, Paul FROGERAIS, Antoine DEFONTAINE, Romain BILLOIS, Faten MINA, Clément HUNEAU, Lionil GIORGIS, Yuan WANG et Chufeng YANG, collègues du LTSI sur qui j’ai souvent pu compter pour discuter de différents sujets de recherche, mais aussi pour l’ambiance agréable au sein du laboratoire. En outre, je reconnais l’aide de mes collègues du GBBA. Je suis particulièrement reconnaissant envers le Professeur Gianfranco PASSARIELLO, cofondateur du GBBA et de la colaboration GBBA-LTSI, pour ses conseils très appreciés à tout moment et qui m’ont servi pour élargir mes horizons académiques et réussir dans plusieurs aspects de ma vie, tant étudiant que professionnel. Je remercie Monsieur Julio CRUZ, codirecteur vénézuélien de cette thèse qui représente une continuité de la sienne. Je le remercie énormément pour ses encouragements et ses idées apportées à mes travaux. Je remercie également le Professeur Sara WONG, directrice de mes travaux de recherche de master à la USB, coordinatrice du Doctorado en Ingeniería de l’USB, directrice du GBBA et responsable vénézuélienne du programme ECOS-NORD LTSI-GBBA, pour sa joie de vivre et sa confiance pendant mes recherches et qui pendant son année sabbatique au LTSI m’a soutenu et encouragé à continuer mes recherches et à réaliser des activités sportives. Merci au Professeur Fernando MORA, cofondateur du GBBA et de la collaboration GBBA-LTSI, pour son intérêt pour mes sujets de recherche et ceux du GBBA, à Alexandra La CRUZ, membre très important du GBBA, pour son aide pendant les premiers années à Rennes et au LTSI, à Ana Marian CHINEA qui pendant son séjour à Rennes a contribué à enrichir mes recherches sur la fusion de données et à Erika SEVERYN pour son aide désintéressée quant aux démarches administratives que je n’ai pas pu réaliser à l’USB. Je remercie également Guillermo VILLEGAS, Noel CASTRO, Mary DIAZ, Pedro MARCHENA et Yuber DELGADO, pour leur incroyable enthousiasme et leur amitié. Je tiens aussi à remercier les membres d’autres groupes de recherche de l’USB, tels que le GBRP et le GRETA et spécialement les Professeurs Ninoska VILORIA, Carlos GONZALEZ, Kleydis SUAREZ, Mónica HUERTA et Roger CLOTET, pour leurs conseils,
  6. 6. iii leur soutien ainsi que pour leur amitié. Les personnes de mon département de Technologie Industrielle méritent également un remerciement pour leur appui et leur autorisation pour réaliser cet important projet, plus particulièrement les membres du conseil du département et les secrétaires. Je pense aussi à Monsieur Ubaldo PADILLA qui m’a aidé à formaliser mes inscriptions à l’USB et à Madame Carolina RUMBOS qui m’a aidé à réaliser des démarches à l’USB et pour son amitié très précieuse. Pendant mes années à Rennes, j’ai pu compter sur l’amitié sincère et l’aide de nom- breuses personnes que j’ai rencontrées. Je pense particulièrement aux vénézuéliens Antonio BRAVO, Anabel CHATELLIER, Angel ESCALONA, Juan MANTILLA, Miguel CASTRO, Alexandra ALCEDO, Juan Andrés BALZAN, Juan Guillermo BALZAN, Argi MIRO, Mikael TORRES, Jeanlouis COLONNE, Gerardo DOMINGUEZ et Miguel VERA, mais aussi à Xavier NAVARRO, Joana MESQUITA, Michel LORRIAUX, Julián BETANCUR, Zulma SANDOVAL, Stephanie ORTEGA, Éloïse BILLOIS, Juan OSPINA et Marian LEE. Avec vous j’ai passé de très bons moments et j’espère vous revoir très bientôt. La rédaction de cette thèse ainsi que la présentation n’auraient été possibles sans la participation de mes directeurs de thèse ainsi des collègues Guylaine LE-JAN, Adrian CO- LOMBET, Joachim BEHAR, Raphael MARCZAK et Céline LECAVELIER des ETANGS- LEVALLOIS, pour avoir relu des parties de ce travail. Leurs commentaires et corrections sur les versions antérieures de ce livre de thèse ont été très judicieux. Sur le plan sportif, je remercie l’équipe de football du LTSI, mes entraineurs de natation Alain DEBOUCHE et Raphaël LE CAM, et Régis CHATELLIER pour les nombreuses courses à pieds en entrainement ou en compétition. Je tiens à remercier le Decanato de Estudios de Postgrado et la Dirección de Relaciones Internacionales de la Universidad Simón Bolívar, spécialement Mesdames Carmen CALEYA et Daniela TRULLAS, ainsi que l’école MATISSE de l’université de Rennes 1 d’avoir permis la réalisation de cette thèse en co-tutelle. Enfin, je tiens à remercier le programme Apoyo Institucional para Estudios de Postgrado de la Dirección de Desarrollo Profesoral de la Universidad Simón Bolivar, plus particuliè- rement Mesdames Mariela CURIEL et Ana Rivas, la convention de coopération entre la Fundación Gran Mariscal de Ayacucho (Fundayacucho) et l’Ambassade de France au Vene- zuela, spécialement Mesdames Julia MONTOYA, Michelle ELLNER et Judith SANTANA, Messieurs Stéphane FREYCHET, Jean-Marc LAFORET et Jesús Arnaldo PÉREZ, le LTSI et Madamme Karine ELIE du CROUS de Rennes. Grâce à leur soutien financier, ce travail de thèse ainsi que mon séjour en France ont été possibles. À vous tous, merci beaucoup !
  7. 7. Table des matières Introduction 1 1 Présentation du contexte clinique 7 1.1 Le nouveau-né prématuré . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Les apnées-bradycardies du nouveau-né prématuré . . . . . . . . . . . . . . 10 1.3 Les systèmes de monitoring automatisés . . . . . . . . . . . . . . . . . . . . 12 1.3.1 L’équipement dans l’USIN . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 Délais dans le cycle de surveillance . . . . . . . . . . . . . . . . . . . 14 1.4 Généralités du système cardiovasculaire . . . . . . . . . . . . . . . . . . . . 15 1.4.1 Le cœur et l’activité électrique cardiaque . . . . . . . . . . . . . . . . 15 1.4.2 Le système spécialisé d’excitation-conduction du cœur . . . . . . . . 18 1.5 L’électrocardiogramme du nouveau-né prématuré . . . . . . . . . . . . . . . 19 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2 Position du problème et démarche proposée 29 2.1 Travaux antérieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.1.1 Détection de bradycardies . . . . . . . . . . . . . . . . . . . . . . . . 31 2.1.2 Système multi-agents de monitoring appliqué aux soins néonatals . . 35 2.1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2 Méthodologie proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2.1 Base de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2.2 Extraction de caractéristiques . . . . . . . . . . . . . . . . . . . . . . 38 2.2.3 Prise de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.3 Méthodologie d’évaluation des performances de détection . . . . . . . . . . . 40 2.3.1 Courbe COR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3 Analyse multi-variée de l’ECG pour la détection et la caractérisation de l’apnée-bradycardie des nouveaux-nés prématurés 47 3.1 Segmentation des ondes : position du problème et bibliographie . . . . . . . 48 3.1.1 Algorithme basé sur la dérivée filtrée . . . . . . . . . . . . . . . . . . 48 3.1.2 Algorithme basé sur le filtrage adaptatif . . . . . . . . . . . . . . . . 49 v
  8. 8. vi Table des matières 3.1.3 Algorithme basé sur la modélisation physiologique . . . . . . . . . . 49 3.1.4 Algorithme basé sur le réalignement temporel . . . . . . . . . . . . . 49 3.1.5 Algorithme basé sur la modélisation Markovienne . . . . . . . . . . . 50 3.1.6 Algorithme basé sur la transformée en ondelettes . . . . . . . . . . . 50 3.2 Détection et segmentation automatique du QRS . . . . . . . . . . . . . . . . 51 3.2.1 Pré-traitement de l’ECG . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.2.2 Détection des battements . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2.3 Extraction des battements . . . . . . . . . . . . . . . . . . . . . . . . 54 3.2.4 Segmentation des battements par ondelettes . . . . . . . . . . . . . . 55 3.3 Optimisation de la chaîne de segmentation d’ECG . . . . . . . . . . . . . . 58 3.3.1 Méthode proposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 3.3.2 Optimisation des paramètres . . . . . . . . . . . . . . . . . . . . . . 62 3.4 Résultats de détection et de segmentation . . . . . . . . . . . . . . . . . . . 64 3.4.1 Performances du détecteur des battements . . . . . . . . . . . . . . . 64 3.4.2 Performances de la méthode de segmentation des QRS . . . . . . . . 65 3.5 Analyse du QRS pour la caractérisation de l’apnée-bradycardie . . . . . . . 67 3.5.1 Principe et objectif de l’étude . . . . . . . . . . . . . . . . . . . . . . 67 3.5.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 3.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 4 Modélisation de la dynamique de séries temporelles multivariées 81 4.1 Position du problème et état de l’art . . . . . . . . . . . . . . . . . . . . . . 82 4.1.1 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . 82 4.1.2 Fouille de données temporelles multivariées . . . . . . . . . . . . . . 83 4.1.3 Caractérisation des dynamiques de séries temporelles . . . . . . . . . 86 4.2 Les modèles de Markov et semi-Markov cachés . . . . . . . . . . . . . . . . 88 4.2.1 Architecture des modèles . . . . . . . . . . . . . . . . . . . . . . . . 90 4.2.2 Estimation des paramètres des modèles . . . . . . . . . . . . . . . . 93 4.3 Rappel de la méthode proposée par DUMONT J. . . . . . . . . . . . . . . . 94 4.3.1 Les distributions des durées et d’observation . . . . . . . . . . . . . . 94 4.3.2 Méthodologie utilisée pour l’estimation des paramètres des MSMC . 95 4.3.3 Estimation du nombre d’états . . . . . . . . . . . . . . . . . . . . . . 97 4.3.4 Évaluation d’une séquence observée . . . . . . . . . . . . . . . . . . . 98 4.3.5 Un exemple de modélisation d’observations bivariées par MSMC . . 99 4.3.6 Classification/détection par MMC et par MSMC . . . . . . . . . . . 100 4.3.7 Synthèse sur les MSMC . . . . . . . . . . . . . . . . . . . . . . . . . 104 4.4 Contributions de ce travail de thèse . . . . . . . . . . . . . . . . . . . . . . . 104 4.4.1 Évaluation du temps de retard à la détection (TRD) . . . . . . . . . 105 4.4.2 Exploration de l’hétérogénéité des modèles . . . . . . . . . . . . . . . 105 4.4.3 Adaptation au traitement en ligne . . . . . . . . . . . . . . . . . . . 105
  9. 9. Table des matières vii 4.4.4 Optimisation de la distribution d’états dans la gamme dynamique des séries observées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 4.4.5 Exploitation des retards physiologiques dans les séries observées . . . 108 4.4.6 Synthèse de la fouille de données appliquées dans cette thèse . . . . 110 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5 Application des MSMC sur des signaux simulés et réels 119 5.1 Évaluation de la faisabilité des MSMC sur signal simulé . . . . . . . . . . . 120 5.1.1 Le modèle de FitzHugh-Nagumo pour la génération des séries synthé- tiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 5.1.2 Étude comparative de classification par MMC et MSMC . . . . . . . 124 5.1.3 Étude de la performance de classification en fonction du nombre d’états126 5.1.4 Étude de la performance de classification intégrant les améliorations proposées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 5.1.5 Détection en ligne d’évènements d’intérêt . . . . . . . . . . . . . . . 129 5.2 Évaluation des MSMC sur signaux réels . . . . . . . . . . . . . . . . . . . . 138 5.2.1 Méthode proposée pour l’annotation des instants de début de brady- cardie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 5.2.2 Classification des séries temporelles : « présence » ou « absence » d’apnée-bradycardie . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 5.2.3 Détection en ligne d’épisodes d’apnée-bradycardie . . . . . . . . . . . 147 5.2.4 Fusion des détecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 Conclusions et perspectives 159 A Liste des travaux liés à ce travail 167 B La transformée en ondelettes pour la segmentation des battements 169 C Les algorithmes évolutionnaires 173 C.1 Représentation (définition des individus) . . . . . . . . . . . . . . . . . . . . 174 C.2 Fonction d’évaluation (fonction de coût) . . . . . . . . . . . . . . . . . . . . 174 C.3 Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 C.4 Mécanisme de sélection des parents . . . . . . . . . . . . . . . . . . . . . . . 175 C.5 Opérateurs de variation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 C.5.1 Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 C.5.2 Recombinaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 C.6 Mécanisme de sélection des survivants . . . . . . . . . . . . . . . . . . . . . 176 D L’algorithme de Viterbi 179 D.1 L’algorithme de Viterbi étendu aux MSMC . . . . . . . . . . . . . . . . . . 180
  10. 10. viii Table des matières E Optimisation des paramètres τ, ∆QU et ∆QNU, sur signaux réels 183 E.1 Détermination de τ optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 E.1.1 Optimisation de τ pour RR . . . . . . . . . . . . . . . . . . . . . . . 183 E.1.2 Optimisation de τ pour Ramp . . . . . . . . . . . . . . . . . . . . . . 183 E.1.3 Optimisation de τ pour QRSd . . . . . . . . . . . . . . . . . . . . . . 184 E.2 Détermination de ∆QU optimal . . . . . . . . . . . . . . . . . . . . . . . . . 185 E.2.1 Optimisation de ∆QU pour RR . . . . . . . . . . . . . . . . . . . . . 185 E.2.2 Optimisation de ∆QU pour Ramp . . . . . . . . . . . . . . . . . . . . 185 E.2.3 Optimisation de ∆QU pour QRSd . . . . . . . . . . . . . . . . . . . . 186 E.2.4 Optimisation de ∆QU pour RR . . . . . . . . . . . . . . . . . . . . . 186 E.2.5 Optimisation de ∆QU pour RR&Ramp . . . . . . . . . . . . . . . . . 186 E.2.6 Optimisation de ∆QU pour RR&QRSd . . . . . . . . . . . . . . . . . 187 E.3 Détermination de ∆QNU optimal . . . . . . . . . . . . . . . . . . . . . . . . 187 E.3.1 Optimisation de δQNU pour RR . . . . . . . . . . . . . . . . . . . . . 187 E.3.2 Optimisation de δQNU pour Ramp et QRSd . . . . . . . . . . . . . . 188 E.3.3 Optimisation de δQNU pour RR . . . . . . . . . . . . . . . . . . . . . 188 E.3.4 Optimisation de δQNU pour Ramp et QRSd . . . . . . . . . . . . . 188 E.3.5 Optimisation de δQNU pour RR&Ramp . . . . . . . . . . . . . . . . 189 E.3.6 Optimisation de δQNU pour RR&QRSd . . . . . . . . . . . . . . . . 189
  11. 11. Table des figures 1.1 Image d’un prématuré. On peut y voir certains dispositifs de mesure (Reportés sur la figure). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2 Système de monitoring utilisé dans l’USIN de Rennes. . . . . . . . . . . . . 13 1.3 Cycle de surveillance d’un prématuré dans une USIN . . . . . . . . . . . . . 14 1.4 Structure anatomique du cœur. Image d’après [Guyton and Hall, 1956]. . . 16 1.5 Potentiel d’action des cellules cardiaques ventriculaires. . . . . . . . . . . . . 17 1.6 Système spécialisé de conduction du cœur. Image d’après [Guyton and Hall, 1956]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.7 Ondes, intervalles et segments dans l’ECG. . . . . . . . . . . . . . . . . . . 20 1.8 Exemples des ECG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.1 Utilisation d’un seuil d’amplitude fixe pour détecter les bradycardies à partir des séries RR. Dans cet exemple, la détection se fait lorsque RR(k) ≥ 600 ms, où k est l’indice temporel. . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.2 Utilisation d’un seuil d’amplitude et durée fixes pour détecter les bradycardies à partir des séries RR. Dans cet exemple, la détection est réalisée lorsque RR(k) ≥ 600 ms pendant 4 secondes, où k est l’indice temporel. . . . . . . . 32 2.3 Utilisation d’un seuil relatif pour détecter les bradycardies à partir des séries RR. Dans cet exemple, la détection est réalisée lorsque RR(k) ≥ 1, 33RRbase pendant 4 s, où k est l’indice temporel et RRbase est la valeur moyenne de la série RR calculée dans une fenêtre glissante de 20 secondes qui précède l’intervalle RR actuel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 2.4 Dispositifs utilisés dans le système INTEM. . . . . . . . . . . . . . . . . . . 36 2.5 Étapes du processus de détection des apnées-bradycardies proposées dans cette thèse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.6 Étape d’extraction des caractéristiques de la démarche proposée. . . . . . . 39 2.7 Étape de prise de décision de la démarche proposée. . . . . . . . . . . . . . 40 2.8 Méthodologie d’évaluation des performances de détection. La fenêtre wV P est centrée dans l’échantillon de détection analysé. . . . . . . . . . . . . . . 42 2.9 Exemples de courbes COR. Le cercle représente le point de détection parfaite, les étoiles représentent une détection avec une TFP = 0, 05 (5 %) et les carrés correspondent à la distance la plus courte au point (0,1). . . . . . . . 43 3.1 Étapes de la segmentation du signal ECG . . . . . . . . . . . . . . . . . . . 51 3.2 Représentation en bloc du processus de détection des battements. . . . . . . 53 ix
  12. 12. x Table des figures 3.3 Banc de filtres de la décomposition en ondelettes (sans décimation). G(z) et H(z) sont respectivement les filtres passe-haute et passe-bas. Wk 2 x[n] sont les sorties des filtres aux échelles 2k (k = 1, 2, . . . , 5) pour le battement x[n]. 56 3.4 Indicateurs à repérer pour l’algorithme de segmentation. . . . . . . . . . . . 58 3.5 Le problème d’optimisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.6 Optimisation par application des AE de manière séquentielle. . . . . . . . . 60 3.7 Méthodologie d’optimisation des paramètres des méthodes. Les annotations et les détections dépendent de la méthode à optimiser. La méthode est le détecteur des battements dans un premier essai et la segmentation du QRS après. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3.8 Construction des différentes bases de données utilisées pour effectuer les processus d’adaptation et la phase d’évaluation. . . . . . . . . . . . . . . . . 63 3.9 Amplitude de l’onde R (Ramp) et durée du complexe QRS (QRSd) pour un battement synthétique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.10 De haut en bas respectivement, intervalles d’analyses de séries temporelles RR, QRSd et Ramp. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.11 Boîtes à moustaches de la moyenne des séries par intervalle et de la différence de la moyenne des séries entre l’intervalle T1 et les autres intervalles, pour les séries temporelles : (a) RR, (b) Ramp et (c) QRSd. . . . . . . . . . . . . 72 3.12 Segment typique présentant de petites différences entre l’intervalle T1 et les autres intervalles. En (a)-(c), les lignes verticales en pointillé délimitent les intervalles, alors que dans (d), les lignes verticales en pointillé représentent la segmentation automatique du QRS (QRSon, pic de l’onde R et QRSoff). 73 3.13 Segment typique présentant de différences significatives entre l’intervalle T1 et les autres intervalles. En (a)-(c), les lignes verticales en pointillé délimitent les intervalles, alors que dans (d), les lignes verticales en pointillé représentent la segmentation automatique du QRS (QRSon, pic de l’onde R et QRSoff). 74 4.1 Exemples des séries temporelles extraites de l’ECG sur trois instants différents. Dans (a), (b) et (c) on observe les séries RR, RAMP et QRSd respectivement dans une période de repos. Dans (d) la série RR pressente un ralentissement du cœur qui produit des variations dans les séries RAMP (e) et QRSd (f). Dans (g), (h) et (i) on observe les séries RR, RAMP et QRSd respectivement en présence d’un épisode d’apnée-bradycardie dont le cercle correspond à la détection effectuée par la méthode classique (RR ≥ 600 ms pendant 4 s) et le losange représente le début de la bradycardie. . . . . . . . . . . . . . . . . 84 4.2 Étapes du processus de fouille de données et leur correspondance dans cette thèse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 4.3 Structure de base d’un modèle de Markov caché. . . . . . . . . . . . . . . . 88 4.4 Structure de base d’un modèle de semi-Markov caché. . . . . . . . . . . . . 89 4.5 Principe de fonctionnement d’un modèle Markovien caché. . . . . . . . . . . 92 4.6 Principe de fonctionnement d’un modèle semi-Markovien caché. . . . . . . . 92 4.7 Procédure utilisée pour l’apprentissage des MSMC à partir d’une base de données, d’après DUMONT [Dumont, 2008]. . . . . . . . . . . . . . . . . . . 97
  13. 13. Table des figures xi 4.8 Modélisation des séries bivariées issues d’un attracteur de Rössler par des MSMC. On observe dans (a) la projection dans le plan x&y d’un MSMC avec 14 états, dans (b) la projection dans le plan x&z d’un MSMC avec 10 états et dans (c) la projection dans le plan y&z d’un MSMC avec 12 états. . 99 4.9 Comparaison des MSMC chargés de modéliser des séries bivariées : Projection dans le plan x&z dans (a) pour les séries originaux, dans (b) pour 1000x&z et dans (c) pour (1000 + x)&z. . . . . . . . . . . . . . . . . . . . . . . . . . 100 4.10 Méthodologie de classification utilisée en utilisant les MSMC. . . . . . . . . 102 4.11 Processus de détection en ligne d’apnée-bradycardie proposé dans cette thèse.107 4.12 Quantificateur (a) uniforme et (b) non uniforme. . . . . . . . . . . . . . . . 108 5.1 Exemple de séries temporelles issues du MFN pour différentes valeurs du paramètre a : (a) dynamique dans le plan bivariée v&r, (b) dynamique de la variable v et (c) dynamique de la variable r. On distingue bien les deux classes de séries temporelles générées. . . . . . . . . . . . . . . . . . . . . . . 122 5.2 Dynamiques des classes appartenant à la variable r à 5 dB. . . . . . . . . . 123 5.3 Exemple d’une réalisation de la variable r, générée avec a1 = 0, 58. . . . . . 124 5.4 TEG (%) en fonction du nombre d’états des MSMC pour la classification de trois classes issues de la variable r à 5 dB. . . . . . . . . . . . . . . . . . . . 127 5.5 Spectre des séries temporelles v et r. . . . . . . . . . . . . . . . . . . . . . . 130 5.6 Étapes du processus d’optimisation des paramètres. paramètre correspond aux valeurs de ∆QU, ∆QNU et τ et méthode correspond à quantification uniforme, quantification non uniforme et prise en compte de la version retardée des séquences, respectivement. . . . . . . . . . . . . . . . . . . . . . 131 5.7 Dans (a), séries temporelles v générées avec a1 et a2 et dans (b), agrandisse- ment de (a). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 5.8 Dans (a), courbes des log-vraisemblances Lk, k = {1, 2, 3}, des séries tempo- relles de la figure 5.7 et dans (b), agrandissement de (a). . . . . . . . . . . . 132 5.9 Différence des log-vraisemblances présentées dans la figure 5.8. . . . . . . . . 133 5.10 Séries mono-source bivariée v, générées avec a1 et avec a2, pour un RSB = 5 dB et une valeur de τ = 3, 75 s. . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 5.11 Meilleures performances de détection de la perturbation produite avec a1, en utilisant MSMC. Dans (a) courbes COR et dans (b) courbes TRD en fonction de TFP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 5.12 Approximation de la série temporelle RR (représentée par des cercles) pendant un épisode de bradycardie, par une fonction sigmoïde (courbe rouge continue). La courbe noire pointillée correspond à la dérivée de la fonction sigmoïde et la ligne verticale correspond à l’annotation du début de bradycardie. . . . . 140 5.13 Exemples des séries RR que ne doivent pas être incluses dans le sous-ensemble LSC1. Dans (a) la FC présente un ralentissement avant le début de la bradycardie et dans (b) l’intervalle RR ne dépasse pas le seuil de 500 ms que plus de 20 s après l’annotation. . . . . . . . . . . . . . . . . . . . . . . . . . 141 5.14 Exemple d’une série RR avec un épisode de bradycardie. Les différents blocs segmentés et leur classe sont indiqués. . . . . . . . . . . . . . . . . . . . . . 141
  14. 14. xii Table des figures 5.15 Procédure pour la détermination de la taille de la séquence d’observation sur les signaux RR. RR correspond à la moyenne des 233 blocs de séries RR avec les épisodes d’apnée-bradycardies. . . . . . . . . . . . . . . . . . . . . . 142 5.16 Moyenne (ligne continue) et moyenne ± écart-type (lignes pointillées) de 7 premières secondes des séries RR en bradycardie. Dans (a) on observe la variation d’amplitude du premier échantillon tandis que dans (b), cette variation est réduite en supprimant aux séries la moyenne déterminée sur les 5 secondes qui précédent le début de la bradycardie. . . . . . . . . . . . . . 143 5.17 Boîte à moustache du premier échantillon des série RR en bradycardie : (a) RR non centrées et (b) RR centrées. . . . . . . . . . . . . . . . . . . . . . . 143 5.18 (a) Série RR avec deux épisodes de bradycardie, (b) log-vraisemblance des modèles : L1 (ligne segmentée) et L2 (ligne continue) et (c) différence entre les log-vraisemblance : L1 −L2. Dans (a) et (c) les lignes verticales correspondent aux annotations de début et fin de l’épisode de bradycardie. . . . . . . . . . 149 5.19 Performance de détection de l’apnée-bradycardie par MSMC, sans prendre en compte les modifications proposées. Dans (a) courbes COR et dans (b) courbes TRD moyen en fonction de TFP. Le caractère « x » représente le point correspondant à la DCDP. . . . . . . . . . . . . . . . . . . . . . . . . 150 5.20 Performance de détection de l’apnée-bradycardie par MSMC. Dans (a) courbes COR et dans (b) courbes TRD moyen en fonction de TFP. Le caractère « x » représente le point correspondant à la DCDP. . . . . . . . . 152 5.21 Courbe COR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 5.22 Performance de détection lors de la fusion des variables RRQNU, RRQNU et RR&QRSdQU. Dans (a) courbes COR et dans (b) courbes TRD moyen en fonction de TFP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 B.1 Réponse en fréquence d’amplitude du filtre équivalente Qk(ejω) pour les échelles 1 à 5 pour une fréquence d’échantillonnage de 250 Hz. . . . . . . . 170 B.2 Réponse en fréquence d’amplitude du filtre équivalente Qk(ejω) pour une fréquence d’échantillonnage de (a) 500 Hz et (b) 1000 Hz. . . . . . . . . . . 171 C.1 Principe de fonctionnement d’un algorithme évolutionnaire. . . . . . . . . . 174
  15. 15. Liste des tableaux 1.1 Valeurs normales de l’ECG pédiatrique par âge. . . . . . . . . . . . . . . . . 23 3.1 Paramètres de la méthode de détection des battements à optimiser. . . . . . 54 3.2 Paramètres de la méthode de segmentation des QRS à optimiser. . . . . . . 58 3.3 Valeurs des paramètres de la méthode de détection des battements avant (pour les adultes) et après (pour les nouveaux-nés prématurés) le processus d’optimisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.4 Performances du détecteur des battements avant et après le processus d’opti- misation. Avant : paramètres réglés pour l’ECG d’adulte, Après : paramètres réglés pour l’ECG du prématuré. . . . . . . . . . . . . . . . . . . . . . . . . 65 3.5 Valeurs optimales des paramètres de la méthode de segmentation des QRS. 66 3.6 Exemple des fenêtres de recherche et des seuils utilisés dans la méthode de segmentation des QRS. Les paramètres de notre approche ont été déterminés en utilisant les paramètres optimaux (Tableau 3.5) pour un intervalle RR typique de 400 ms. Les autres approches correspondent aux paramètres utilisés par [Dumont et al., 2010] et [Smrdel and Jager, 2004]. . . . . . . . . 66 3.7 Performances de la segmentation des QRS, avant et après le processus d’optimisation. Avant : paramètres réglés pour l’ECG d’adulte, Après : paramètres réglés pour l’ECG du prématuré. . . . . . . . . . . . . . . . . . . 67 3.8 wµ et wσ des séries temporelles RR, Ramp et QRSd, pour tous les intervalles analysés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 3.9 µDA et σDA entre l’intervalle T1 et les autres intervalles, pour les séries temporelles RR, Ramp et QRSd. . . . . . . . . . . . . . . . . . . . . . . . . 71 3.10 tests d’hypothèse de Mann–Whitney U pour la moyenne des séries RR, Ramp et QRSd. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.1 Résumé des principaux paramètres et caractéristiques des MMC et MSMC. 92 4.2 Tableau de contingence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 5.1 Estimation du nombre d’états par MSMC pour différentes valeurs de RSB, pour modéliser la dynamique de la variable r. . . . . . . . . . . . . . . . . . 125 5.2 Tableau de contingence en utilisant les MSMC pour classer trois dynamiques observées dans la variable r à 5 dB. Chaque élément du tableau représente la somme des éléments correspondants sur les 10 répétitions. . . . . . . . . . 125 xiii
  16. 16. xiv Liste des tableaux 5.3 Comparaison des performances de classification entre les MMC et les MSMC pour la classifications des séquences d’observations issues de la variable r à 5 dB et pour 10 réalisations des étapes apprentissage/test. . . . . . . . . . . . 126 5.4 Estimation du nombre d’états par MSMC pour modéliser la dynamique des différents versions de la variable r avec un RSB = 5 dB. . . . . . . . . . . . 129 5.5 TEG pour classer trois dynamiques différents des variables r à 5 dB en utilisant des MSMC sur 10 réalisations. . . . . . . . . . . . . . . . . . . . . . 129 5.6 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de v. . . . . . . . . . . . . . . . . . . . . . . . 133 5.7 Estimation du nombre d’états par MSMC pour modéliser la dynamique de vQU pour différentes valeurs de ∆QU. . . . . . . . . . . . . . . . . . . . . . . 134 5.8 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de vQU. . . . . . . . . . . . . . . . . . . . . . 134 5.9 Estimation du nombre d’états par MSMC pour modéliser la dynamique de vQNU pour différentes valeurs de δQNU. . . . . . . . . . . . . . . . . . . . . . 134 5.10 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de vQNU. . . . . . . . . . . . . . . . . . . . . . 135 5.11 Estimation du nombre d’états par MSMC pour modéliser la dynamique de v pour différentes valeurs de τ. . . . . . . . . . . . . . . . . . . . . . . . . . . 135 5.12 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de v. . . . . . . . . . . . . . . . . . . . . . . . 136 5.13 Estimation du nombre d’états par MSMC pour modéliser la dynamique de v pour différentes valeurs de τ. . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.14 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de vQU. . . . . . . . . . . . . . . . . . . . . . 136 5.15 Estimation du nombre d’états par MSMC pour modéliser la dynamique de vQNU pour différentes valeurs de δQNU. . . . . . . . . . . . . . . . . . . . . . 137 5.16 Performance de détection de la perturbation avec a1, en utilisant des MSMC pour apprendre la dynamique de vQNU. . . . . . . . . . . . . . . . . . . . . 137 5.17 Meilleures performances de détection de la perturbation produite avec a1, en utilisant des MSMC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 5.18 Valeurs optimales des paramètres ∆QU et δQNU. . . . . . . . . . . . . . . . . 144 5.19 Estimation du nombre d’états par MSMC pour modéliser les classes 1 et 2. 145 5.20 Performances de classification par MSMC en utilisant les signaux réels. . . . 146 5.21 Performance de détection de l’apnée-bradycardie par MSMC, sans prendre en compte les modifications proposées. . . . . . . . . . . . . . . . . . . . . . 150 5.22 Huit meilleures approches de détection de bradycardies par MSMC, en termes de performance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 5.23 Performance de détection des méthodes classique dans leur point opérationnel.151 5.24 Performance de détection lors de la fusion des variables RR, Ramp et QRSd. 154 5.25 Performance de détection lors de la fusion décentralisée des variables RRQNU, RRQNU et RR&QRSdQU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 B.1 Bande passante à 3 dB pour chaque échelle du filtre équivalente Qk(ejω) . . 170
  17. 17. Liste des tableaux xv E.1 Nombre d’états par MSMC et performance de détection en utilisant la variable RR pour différentes valeurs de τ. . . . . . . . . . . . . . . . . . . . 184 E.2 Nombre d’états par MSMC et performance de détection en utilisant la variable Ramp pour différentes valeurs de τ. . . . . . . . . . . . . . . . . . 184 E.3 Nombre d’états par MSMC et performance de détection en utilisant la variable QRSd pour différentes valeurs de τ. . . . . . . . . . . . . . . . . . 184 E.4 Nombre d’états par MSMC et performance de détection en utilisant la variable RRQU pour différentes valeurs de ∆QU. . . . . . . . . . . . . . . . . 185 E.5 Nombre d’états par MSMC et performance de détection en utilisant la variable RampQU pour différentes valeurs de ∆QU. . . . . . . . . . . . . . . 185 E.6 Nombre d’états par MSMC et performance de détection en utilisant la variable QRSdQU pour différentes valeurs de ∆QU. . . . . . . . . . . . . . . 186 E.7 Nombre d’états par MSMC et performance de détection en utilisant la variable RRQU pour différentes valeurs de ∆QU. . . . . . . . . . . . . . . . 186 E.8 Performance de détection en utilisant la variable RR&RampQU. . . . . . . . 187 E.9 Performance de détection en utilisant la variable RR&QRSdQU. . . . . . . . 187 E.10 Nombre d’états par MSMC et performance de détection en utilisant la variable RRQNU pour différentes valeurs de δQNU. . . . . . . . . . . . . . . . 188 E.11 Nombre d’états par MSMC et performance de détection en utilisant la variable RRQNU pour différentes valeurs de δQNU. . . . . . . . . . . . . . . 188 E.12 Performance de détection en utilisant la variable RR&RampQNU. . . . . . . 189 E.13 Performance de détection en utilisant la variable RR&QRSdQNU. . . . . . . 189
  18. 18. Table des algorithmes 1 Pseudo-code de la méthode de détection des battements. . . . . . . . . . . . 54 2 Pseudo-code de la méthode de segmentation des QRS. . . . . . . . . . . . . 59 3 Pseudo-code pour déterminer ∆QU optimal. . . . . . . . . . . . . . . . . . . 108 4 Pseudo-code de la méthode de quantification non uniforme proposée. . . . . 108 5 Pseudo-code pour déterminer ∆QNU optimal. . . . . . . . . . . . . . . . . . 109 xvii
  19. 19. Liste des symboles δ Constante pour la détermination du seuil adaptatif, au chapitre 3 δα,k Seuil pour détecter l’événement α (α ∈ {k}) γ Paramètres du détecteur à optimiser par courbes COR au chapitre 2 γQRSpost Seuil utilisé pour trouver des pentes importantes de l’onde S (équation 3.7) γQRSpre Seuil utilisé pour trouver des pentes significatives de l’onde Q (équation 3.6) λMMC Ensemble des paramètres du MMC λMSMC Ensemble des paramètres du MSMC R Ensemble des nombres réels Z Ensemble des entiers naturels v Matrice d’observation de la variable v intégrant la version originale de la séquence observée à l’instant t et la version retardée de la séquence observée à l’instant t − τ L Fonction de vraisemblance (équation 4.9) N Loi normale gaussienne U Loi uniforme continue µDA Moyenne de la différence absolue (équation 3.17) µDJ Moyenne du jitter de détection (équation 3.11) µd i Moyenne des gaussiennes pour représenter les temps de passage de l’état i µνk i Moyenne des gaussiennes pour représenter la distribution d’observation de l’état i πi Probabilité de l’état initial δQNU Seuil pour déterminer ∆QNU ∆QU Pas de quantification uniforme σDA Écart-type de la différence absolue (équation 3.18) σDJ Écart-type du jitter de détection (équation 3.12) Σνk i Matrice de covariance des centres des gaussiennes multivariées pour représenter la distribution d’observation de l’état i xix
  20. 20. xx Liste des symboles τ Délai µνk i Vecteur des centres des gaussiennes multivariées pour représenter la distribution d’observation de l’état i ∆QNU Pas de quantification non uniforme ξQRSoff Seuil utilisé pour la recherche de QRSoff (équation 3.9) ξQRSon Seuil utilisé pour la recherche de QRSon (équation 3.8) a Paramètre du MFN a1 a1 ∈ a ∼ U(0,58, 0,62) a2 a2 ∈ a ∼ U(0,78, 0,82) aij Élément de la matrice de transition Ann Annotation bi Probabilité d’observation de l’état i CF1 Fonction de coût pour AE1 CF2 Fonction de coût pour AE2 d Durée d’une état de la chaîne de Markov Det Détection fcHigh Fréquence de coupure du filtre passe-haut fcLow Fréquence de coupure du filtre passe-bas G(z) Filtre de détail H(z) Filtre d’approximation HISTO Taille du tampon circulaire I Valeur du courant d’excitation externe au MFN K Nombre d’évènements différents à détecter L Taille de la fenêtre pour déterminer la moyenne dans la procédure de détection en ligne M Nombre d’états des modèles nfirst Première pente significative nlast Dernière pente significative NP Nombre de pics pour déterminer sa valeur moyenne O Ensemble d’observations O1:T Séquence d’observation pi Probabilité de durée de l’état i Perr Probabilité d’erreur de détection (équation 3.10) r Variable de récupération (variable lente) du MFN T Taille de la séquence d’observation multivariée, au chapitre 5
  21. 21. Liste des symboles xxi TIso Taille de la fenêtre où la forme d’onde est la plus plate pour déterminer ISOp TMWI Taille de la fenêtre glissante de l’intégrateur TPQ Taille de la fenêtre de recherche temporelle pour le ISOp THR Seuil adaptatif utilisé dans l’algorithme de détection des battements Ti Intervalle i pour analyser les séries du chapitre 3 TPeak Taille de la fenêtre pour détecter la crête maximale QRS TQlim Taille de la fenêtre temporelle utilisée pour trouver l’onde Q TR1 Taille de la fenêtre temporelle utilisée pour la recherche des ondes R avant le PF TR2 Taille de la fenêtre temporelle utilisée pour la recherche des ondes R après le PF TRefr Période de suppression réfractaire TRRlim Temps limite pour réinitialiser la détection des QRS TSlim Taille de la fenêtre temporelle utilisée pour rechercher les ondes S v Potentiel de membrane (variable rapide) du MFN wµ Moyenne pondérée (équation 3.15) wσ Écart-type pondéré (équation 3.16) Wn 2 Échelle n de la transformation en ondelettes wV P Taille de la fenêtre pour déterminer les VP σd i 2 Variance des gaussiennes pour représenter les temps de passage de l’état i σνk i 2 Variance des gaussiennes pour représenter la distribution d’observation de l’état i vQNU Variable v quantifiée non uniformément vQU Variable v quantifiée uniformément RR Matrice d’observation de la variable RR intégrant la version originale de la séquence observée à l’instant t et la version retardée de la séquence observée à l’instant t − τ c.f. Confer (se reporter à) i.e. id est (c’est-à-dire) A-V Auriculo-ventriculaire ACP Analyse en composante principale AE Algorithmes évolutionnaires AE1 AE pour optimiser les paramètres du détecteur des battements AE2 AE pour optimiser les paramètres de la méthode de segmentation des QRS BIC Critère d’information bayésien bpm Battements par minute
  22. 22. xxii Liste des symboles COR Caractéristiques opérationnelles du récepteur CPAP Continuous Positive Airway Pressure DB1 Sous-ensembles de données pour adapter la méthode de détection de battements DB1L Premier ensemble d’apprentissage utilisée pour AE1 DB1T Premier ensemble de test DB2 Sous-ensembles de données pour adapter la méthode de segmentation de battements DB2L Deuxième ensemble d’apprentissage utilisée pour AE2 DB2T Deuxième ensemble de test DCDP Distance la plus courte à la détection parfaite DTW Dynamic Time Warping ECG Électrocardiogramme EEG Électroencéphalogramme EM Espérance-maximisation FC Fréquence cardiaque FCbase Fréquence cardiaque de base FN Nombre de Faux Négatifs FP Nombre de Faux Positifs GBBA Groupe de Bioingénierie et Biophysique Appliquée HF High Frequency INTEM Système de monitoring intelligent développe au LTSI IRM Imagerie par résonance magnétique ISOp Position du niveau iso-électrique KISS Knowledge-based Interactive Signal monitoring System LF Low Frequency LSCk Sous-ensemble pour la classification de données réels, k = {1, 2} LSMFNk Sous-ensemble de données synthétiques k = {1, 2, 3} LTSI Laboratoire de Traitement du Signal et de l’Image MFN Modèle de FitzHugh-Nagumo (équation 5.1) MMC Modèle Markovien caché MSMC Modèle semi-Markovien caché MV Maximum de vraisemblance PA Potentiel d’action Pd Probabilité de détection
  23. 23. Liste des symboles xxiii PF Point fiducial Pfa Probabilité de fausse alarme PRA Période réfractaire absolue PRR Période réfractaire relative PTCA Angioplastie coronaire transluminale percutanée QRS Durée du complexe QRS QRSdQNU Quantification non uniforme de la variable QRSd QRSdQU Quantification uniforme de la variable QRSd QRSoff Fin du complexe QRS QRSon Début du complexe QRS Ramp Amplitude de l’onde R RampQNU Quantification non uniforme de la variable Ramp RampQU Quantification uniforme de la variable Ramp RNA Réseaux neuronaux artificiels RR Durée du cycle cardiaque RRbase Durée du cycle cardiaque de base RRQNU Quantification non uniforme de la variable RR RRQU Quantification uniforme de la variable RR RSB Rapport signal sur bruit SA Semaines d’aménorrhée SEN Sensibilité SEPIA Surveillance, Explication et Prévention des Ischémies et des Arythmies car- diaques SNA Système nerveux autonome SPC Spécificité SpO2 Saturation d’oxygène TECk Taux d’erreur par classe k (équation 4.27) TEG Taux d’erreur global (équation 4.26) TFP Taux de faux positif TRD Temps de retard à la détection TVP Taux de vrai positif USIC Unités de Soins Intensifs Coronarien USIN Unités de soins intensifs néonatals VFC Variabilité de la fréquence cardiaque VN Nombre de Vrais Négatifs VP Nombre de Vrais Positifs VPP Valeur prédictive positive
  24. 24. Introduction Ce travail de thèse a été élaboré dans le cadre d’une co-tutelle entre deux laboratoires : – Le Groupe de Bioingénierie et Biophysique Appliquée (GBBA) de l’Université Simón Bolívar. Les activités de recherche de ce laboratoire sont centrées sur l’instrumentation biomédicale, le traitement des signaux biomédicaux, la visualisation et le traitement d’images médicales. – Le Laboratoire de Traitement du Signal et de l’Image (LTSI) de l’Université de Rennes 1, composé de quatre équipes. L’équipe SEPIA (Surveillance Explication et Prévention des Ischémies et des Arythmies) est celle qui a encadré cette thèse. L’activité de cette équipe est basée sur une approche multidisciplinaire qui combine le traitement du signal, la physiologie et la modélisation intégrative appliquée à l’étude du système cardiovasculaire. Le monitoring des signaux physiologiques est le centre de la coopération entre ces deux laboratoires et a été abordé dans le cadre du projet KISS (Knowledge-based Interactive Signal monitoring System) [Siregar et al., 1989], où des problèmes d’acquisition et de traitement des signaux [Passariello, 1991; Hernández et al., 1999], de caractérisation d’arythmies [Schleich, 1993; Thoraval, 1995], d’extraction et de représentation de connaissances profondes [Siregar et al., 1995; Hernández, 2000], d’architecture des systèmes liés au concept de monitoring intelligent dans les Unités de Soins Intensifs Coronarien (USIC) [Mora, 1991; Mabo et al., 1991], et plus récemment d’analyse de la dynamique des séries temporelles par fouille de données [Dumont, 2008] ont aussi été traités. Ce travail représente le prolongement de ces contributions. Son objectif principal est de prédire la survenue des apnée-bradycardies chez le nouveau-né prématuré en utilisant une méthodologie cherchant à exploiter la dynamique des séries temporelles multivariées, extraites de l’électrocardiogramme. La naissance prématurée de l’enfant arrive avant 37 semaines de gestation. Cette problématique est en augmentation constante dans la plupart des pays [Martin et al., 2009; Zeitlin, 2009]. Elle peut entraîner de nombreuses complications aux enfants en raison des dysfonctionnements des organes, qui ne sont pas complètement développés et aptes pour la vie extra-utérine. L’un des problèmes le plus fréquent est l’épisode d’apnée-bradycardie, 1
  25. 25. 2 Introduction dont la répétition influence de manière négative le développement de l’enfant [Pichler et al., 2003; Urlesberger et al., 1999; Janvier et al., 2004]. Par conséquent, les enfants prématurés sont surveillés en continu par un système de monitoring installé dans les unités des soins intensifs néonatals (USIN). Ce système permet de déterminer l’évolution de l’état de santé de l’enfant et, depuis sa mise en marche, la qualité, l’espérance de vie et le pronostic de vie des prématurés ont été considérablement améliorés et la mortalité a été réduite. En effet, les avancées technologiques en électronique, informatique et télécommunications ont conduit à l’élaboration de systèmes multivoies de monitoring néonatal de plus en plus performants. La plupart sont constitués de modules d’acquisition des données et d’une station centrale pour visualiser les signaux acquis en temps réel. Des alarmes sont produites lorsqu’une situation à risque est détectée, comme par exemple, une apnée-bradycardie. L’un des principaux signaux exploités dans ces systèmes est l’électrocardiogramme (ECG). L’ECG est un outil diagnostique qui mesure et enregistre l’activité électrique du cœur. Il reste aujourd’hui comme la technique la plus largement utilisée pour l’exploration de l’activité électrique cardiaque, puisqu’il s’agit d’une technique non invasive, simple, économique et sûre. Même si l’analyse de l’ECG a évolué au fil des années et que le développement des méthodes de traitement des signaux électrocardiographiques a amélioré la caractérisation et le diagnostic des maladies cardiovasculaires, l’ensemble des informations fournies par l’ECG ne sont pas encore totalement exploitées dans les processus de décision, notamment en monitoring en USIN. Deux points particuliers sont à nos yeux sous exploités dans les stations de monitoring néonatal : i) l’exploration multivariée des ondes et intervalles de l’ECG, afin de détecter précocement les épisodes d’apnée-bradycardie et ii) les méthodes d’analyse restent des méthodes de détection et sont très peu anticipatives (prédiction de l’évènement). Dans ce travail, une nouvelle méthodologie pour répondre aux deux problématiques précédentes est proposée. Elle est basée sur l’exploitation de la dynamique des séries temporelles multivariées extraites de l’ECG. Cette dynamique est analysée par l’usage des modèles semi-Markovien cachés (MSMC). Les MSMC sont des modèles stochastiques à nombre d’états M fini et dont l’émission d’observations (bi) de l’état i et la durée (pi) de l’état i sont représentées par une densité de probabilité. Un MSMC est similaire à un modèle de Markov caché (MMC) classique, mais la principale différence est que le processus non observé est semi-Markovien, dans le sens où un changement dans un état futur dépend à la fois de l’état caché actuel et du temps passé sur cet état. Les MMC et MSMC ont été appliqués dans le domaine du traitement du signal pendant plus de deux décennies, en particulier dans le contexte de la reconnaissance automatique de la parole. Toutefois, ils constituent également des outils souples, flexibles et robustes pour le traitement des séries temporelles univariées et multivariées, y compris dans les cas
  26. 26. Introduction 3 d’observations discrètes ou continues. L’intérêt pour la théorie et les applications de ces modèles est en pleine expansion à d’autres domaines, par exemple : différents types de reconnaissance (visages, parole, geste, écriture, signature), bioinformatique (analyse des séquences biologiques, analyse de l’ECG, classification de l’électroencéphalogramme), envi- ronnement (direction du vent, précipitations, tremblements de terre) et finances (rentabilité journalière). Le principal intérêt d’utiliser les MSMC dans le traitement de signaux biomédicaux est basé sur le fait que : i) ils peuvent représenter l’évolution temporelle d’une variable grâce au paramètre pi, ii) ils ne nécessitent pas de connaissances a priori sur les données à traiter et iii) le nombre d’états M est le seul hyper-paramètre à régler. Cette thèse est organisée comme suit : – Le premier chapitre détaille les concepts physiologiques du nouveau-né prématuré et ses complications, en particulier l’apnée-bradycardie. Le fondement d’électrocardiographie et l’ECG du nouveau-né prématuré y sont détaillés. – Le deuxième chapitre passe en revue les travaux qui ont déjà été proposés dans ce domaine. Les faiblesses y sont relevées. Ce chapitre se clôture par la présentation de la méthodologie proposée pour détecter les épisodes d’apnée-bradycardie. – Le troisième chapitre montre comment l’analyse multivariée de l’ECG est exploitée, afin de caractériser les épisodes d’apnée-bradycardie chez les prématurés. Pour l’extraction des caractéristiques de l’ECG, il est nécessaire de procéder à la segmentation des ondes qui forment l’ECG. Deux étapes sont proposées : la première, fondamentale, est l’adaptation des algorithmes de détection des battements et de segmentation développés pour l’adulte, au cas de l’ECG des nouveaux-nés prématurés. Un processus d’optimisation multi-objectif à base d’algorithmes évolutionnaires est proposé pour cette tâche. La seconde consiste en l’extraction des caractéristiques proprement dite. Une fois la chaîne de segmentation adaptée aux ECG des prématurés, les séries temporelles RR, d’amplitude des ondes R et de durée du complexe QRS sont extraites de 32 nouveaux-nés prématurés présentant des fréquents épisodes d’apnée-bradycardie. Ces séries sont analysées en quatre intervalles de temps : repos, avant, pendant et après les épisodes d’apnée-bradycardie, pour caractériser ces événements. – Le quatrième chapitre propose une courte revue bibliographique sur les stratégies permettant de classer et de détecter précocement des dynamiques, les modèles Marko- viens cachés et les modèles semi-Markoviens cachés sont alors introduits. Une méthode de modélisation de dynamiques par MSMC, développée dans notre laboratoire, est ensuite détaillée. Des améliorations sont proposées et constituent les principales contributions de ce chapitre. – Enfin, le cinquième chapitre détaille les résultats. L’approche est évaluée sur des signaux simulés et est ensuite appliquée sur des signaux réels. Après une propo- sition d’améliorations sur les observations dans l’étape d’apprentissage et de test,
  27. 27. 4 Introduction les résultats montrent que notre approche de détection des apnée-bradycardies par modèles semi-Markovien cachés permet d’améliorer la détection de ces épisodes, tout en présentant un temps de retard à la détection plus faible que les méthodes de détection classiques utilisées aujourd’hui dans les USIN. Une liste de publications associées à ce travail de thèse est présentée Annexe A.
  28. 28. Bibliographie 5 Bibliographie Dumont, J. (2008). Fouille de dynamiques multivariées, application à des données temporelles en cardiologie. PhD thesis, Université de Rennes 1. Hernández, A. (2000). Fusion de signaux et de modèles pour la caractérisation d’arythmies cardiaques. PhD thesis, Université de Rennes 1. Hernández, A., Carrault, G., Mora, F., Thoraval, L., Passariello, G., and Schleich, J. M. (1999). Multisensor fusion for atrial and ventricular activity detection in coronary care monitoring. IEEE Trans Biomed Eng, 46(10) :1186–90. Janvier, A., Khairy, M., Kokkotis, A., Cormier, C., Messmer, D., and Barrington, K. J. (2004). Apnea is associated with neurodevelopmental impairment in very low birth weight infants. J Perinatol, 24(12) :763–8. Mabo, P., Pouillot, C., Kermarrec, A., Lelong, B., Lebreton, H., and Daubert, C. (1991). Lack of physiological adaptation of the atrioventricular interval to heart rate in patients chronically paced in the aair mode. Pacing Clin Electrophysiol, 14(12) :2133–42. Martin, J., Hamilton, B., Sutton, P., Ventura, S., Menacker, F., Kirmeyer, S., and Mathews, T. (2009). Births : Final data for 2006. Public Health Resources, page 65. Mora, F. (1991). Monitoring intelligent en unité de soins intensifs pour coronariens : connaissances et interfaces. PhD thesis, Université de Tours. Passariello, G. (1991). Monitoring intelligent en unité de soins intensifs pour coronariens : aspects traitement du signal. PhD thesis, Université de Tours. Pichler, G., Urlesberger, B., and Müller, W. (2003). Impact of bradycardia on cerebral oxygenation and cerebral blood volume during apnoea in preterm infants. Physiol Meas, 24(3) :671–80. Schleich, J. M. (1993). La caractérisation d’arythmies en unité de soins intensifs pour coronariens par approche de fusion de donnes multisources/multicapteurs. PhD thesis, Université de Tours. Siregar, P., Chahine, M., Lemoulec, F., and Le Beux, P. (1995). An interactive qualitative model in cardiology. Comput Biomed Res, 28(6) :443–78. Siregar, P., Coatrieux, J., and Le Beux, P. (1989). KISS : Knowledge based interactive signal monitoring system. In AIM A10006 -1.2.A-F-R-890717. Thoraval, L. (1995). Analyse statistique de signaux électrocardiographiques par modèles de Markov cachés. PhD thesis, Université de Rennes 1. Urlesberger, B., Kaspirek, A., Pichler, G., and Müller, W. (1999). Apnoea of prematurity and changes in cerebral oxygenation and cerebral blood volume. Neuropediatrics, 30(1) :29–33. Zeitlin, J. (2009). Surveillance et évaluation de la santé périnatale en île-de-france à partir des certificats de santé. Bulletin épidémiologique hebdomadaire, (44-45).
  29. 29. Chapitre 1 Présentation du contexte clinique Ce premier chapitre a pour ambition de donner les bases physiologiques et techniques nécessaires à la compréhension du problème clinique abordé : la détection des apnées- bradycardies chez les nouveaux-nés prématurés. Les définitions liées à la prématurité et à l’apnée néonatale sont présentées dans les deux premières sections. Une attention particulière est portée sur les causes, conséquences et incidences d’une naissance prématurée et de l’apnée-bradycardie du prématuré. Ensuite, les systèmes de monitoring utilisés dans les unités de soins intensifs néonatals, leurs rôles et les principaux dispositifs de mesure sont introduits dans la troisième section. Le déroulement de la détection d’un épisode d’apnée- bradycardie est présenté ainsi que les délais observés dans le cycle de surveillance des nouveaux-nés prématurés. Les généralités du système cardiovasculaire sont présentées dans une quatrième section y compris la structure anatomique du cœur, l’activité électrique cardiaque et le système spécialisé d’excitation-conduction du cœur. Enfin, les principes de base d’électrocardiographie, ainsi que les particularités de l’électrocardiogramme du prématuré sont exposés pour conclure le chapitre. Cette section est, bien entendu, capitale pour la suite du mémoire puisqu’elle présente un état des lieux des pratiques cliniques, qui seront utilisées comme référence, ainsi que les principales motivations de l’ensemble de travaux proposés dans ce mémoire. 1.1 Le nouveau-né prématuré Biologiquement, le fœtus requiert un certain nombre de semaines dans l’utérus maternel pour que son organisme soit prêt à la vie extra-utérine. Si l’enfant naît avant d’avoir complété ce cycle, il est confronté à un mode de fonctionnement auquel il n’est pas préparé et à un environnement hostile avec les moyens dont il dispose. Une naissance prématurée est un risque inhérent à la vie et elle est définie comme toute naissance qui survient avant 37 semaines révolues d’aménorrhée, comptées à partir du premier jour des dernières règles. Plus de 12 % 7
  30. 30. 8 Chapitre 1 (plus de 500000) des bébés nés aux États-Unis chaque année sont prématurés [Martin et al., 2009] et près de 6 % (près de 55000) des naissances sont prématurées en France. Suivant le terme de la naissance, quatre niveaux de prématurité existent actuellement dans le contexte clinique : – la faible prématurité, caractérisée par une naissance entre 33 et 37 semaines d’aménorrhée (SA) ; – la grande prématurité, entre 28 et 32 SA ; – la très grande prématurité, de 25 à 27 SA ; – l’extrême prématurité, de moins de 24 SA. Les facteurs les plus déterminants dans la survie du nouveau-né prématuré sont sa maturité, exprimée par l’âge gestationnel et son poids de naissance. L’enfant né à 35 semaines reste, dans la majorité des cas, auprès de sa mère en maternité, alors que la survie de l’enfant de 24 semaines reste encore et toujours très difficile [Bloch et al., 2003]. La prématurité est la principale cause de morbidité et de mortalité néonatale. Elle est responsable d’environ 35 % des décès néonataux aux États-Unis [Mathews and MacDorman, 2008]. Le risque de décès est accru dans la première année de vie et la plupart se produisent dans le premier mois de vie. Près de 30 % des prématurés nés à 23 SA survivent ; on passe à 50 % pour des prématurés nés à 24 SA, à 75 % pour des prématurés nés à 25 SA, et à plus de 90 % pour des prématurés nés entre 27 et 28 SA. Il importe de souligner que ce taux de mortalité a diminué depuis la mise en place d’unités de soins intensifs néonatals (USIN) au début des années 1970. Ainsi, les avancées en médecine et en soins des prématurés ont amélioré leurs chances de survie en mettant le seuil de viabilité à 22 SA mais sans réduire la prédominance des naissances prématurées. En effet, le nombre d’enfants nés prématurément est en augmentation en France et dans le monde. Par exemple, en Ile-de-France, une étude récente a montré que le nombre de naissances prématurées a augmenté de 5,7 % à 6,3 % entre 2002 et 2007 [Zeitlin, 2009]. Les causes de l’augmentation des naissances prématurées ne sont pas toutes connues, même si l’on sait qu’environ 60 % des naissances prématurées sont provoqués pour des raisons médicales et les cas restant sont spontanés. Un âge plus tardif (plus de 35 ans) ou précoce (moins de 18 ans) et les grossesses multiples conduisent souvent à des accouchements prématurés. Des problèmes obstétriques tels que le col ouvert ou le décollement du placenta ; une maladie de la mère comme la listériose, le diabète ou l’hypertension, et un milieu social défavorisé contribuent également aux naissances prématurées [Bloch et al., 2003; Rosenberg et al., 2005; Goldenberg et al., 2008]. Plus l’enfant est prématuré, plus graves et fréquents sont les problèmes d’adaptation et son traitement est d’autant plus complexe. Les problèmes couramment rencontrés sont : – Respiratoires : syndrome de détresse respiratoire, maladie des membranes hyalines et dysplasie bronchopulmonaire,
  31. 31. 1.1. Le nouveau-né prématuré 9 – Neurologiques : apnée du prématuré, rétinopathie, infirmité motrice cérébrale et hémorragie cérébrale intraventriculaire, – Cardiovasculaires : persistance du canal artériel, – Infectieux : septicémie, pneumonie et infection urinaire, – Hématologiques : anémie, ictère et thrombopénie, – Métaboliques : hypoglycémie, hypocalcémie et hypothermie, – Digestifs : entérocolite nécrosante et résidus gastriques. L’une des complications les plus importantes est l’apnée du prématuré. Celle-ci est un thème d’investigation en vigueur et de nombreuses recherches ont été effectuées ces dernières années pour essayer d’expliquer les causes, les conséquences et identifier les meilleurs traitements [Poets et al., 1993; Perlman, 2001; Janvier et al., 2004; Finer et al., 2006; Naulaers et al., 2007; Abu-Shaweesh and Martin, 2008; Poets, 2010; Zhao et al., 2011]. S’y ajoutent des recherches technologiques en vue de détecter efficacement les épisodes d’apnées, tout en réduisant le nombre d’appareils mis au chevet du bébé [Pichardo et al., 2003; Pravisani et al., 2003; Cruz et al., 2006; Beuchée et al., 2007; Portet et al., 2007; Belal et al., 2011]. Certains problèmes liés à une naissance prématurée compromettent le pronostic à court terme et d’autres pèsent lourdement sur le pronostic à moyen et long terme comme le développement physique, psychologique ou comportemental. Les conséquences à long terme de la prématurité ne deviennent évidentes que lorsque l’enfant est d’âge scolaire : à l’âge de 5 ans, 12 % des grands prématurés présentent des déficiences intellectuelles (de modérées à sévères), 36 % présentent des troubles moteurs, sensoriels ou cognitifs (5 % sévères, 9 % modérés et 25 % mineurs) et 34 % ont besoin des soins spéciaux [Larroque et al., 2008]. À l’âge adulte, les risques de déficience médicale et sociale semblent augmenter avec la diminution de l’âge gestationnel à la naissance et, en absence de problèmes médicaux, le niveau scolaire atteint, les revenus et le succès familial diminuent avec le degré de prématurité [Moster et al., 2008]. Les prématurés sont pris en charge dans une USIN où ils sont maintenus dans une couveuse ou incubateur, qui reproduit les conditions de développement fœtal en contrôlant sa température, l’hygrométrie et en limitant l’exposition du nouveau-né à l’environnement extérieur (virus, bactéries, . . . ). Plus la naissance est prématurée, plus longue est la durée d’hospitalisation [Naulaers et al., 2007]. Un monitoring continu est effectué sur des paramètres vitaux comme la température, la respiration, la fonction cardiaque, l’oxygénation et l’activité cérébrale. Les thérapies peuvent inclure la nutrition par cathéters intraveineux, la supplémentation d’oxygène, la ventilation mécanique et les médicaments. Cependant, les USIN impliquent des coûts de santé importants et l’exposition du nouveau-né à différentes sources de stress environnemental (alarmes des moniteurs dans l’USIN, bruit ambiant, . . . ) [Perlman, 2001]. De plus, diverses études montrent l’importance de l’intégration dans le milieu familial pour le développement du nouveau-né. Généralement sont autorisés à quitter
  32. 32. 10 Chapitre 1 l’hôpital les prématurés qui présentent une bonne thermorégulation, une alimentation orale parfaite et qui ne présentent pas d’apnée-bradycardies dans une période de 3 à 7 jours [Baird, 2004]. La persistance d’événements cardio-respiratoires peuvent retarder la sortie de l’enfant de l’hôpital [Eichenwald et al., 1997]. Dans ce cas, un monitoring cardio-respiratoire à domicile, jusqu’à 43-44 semaines d’âge postnatal, peut offrir une alternative à un séjour prolongé à l’hôpital [Darnall et al., 1997]. 1.2 Les apnées-bradycardies du nouveau-né prématuré L’apnée du prématuré se définit par une interruption prolongée du flux ventilatoire pendant plus de 15 à 20 secondes et témoigne d’une instabilité de la régulation du rythme respiratoire. Elle entraîne alors un ralentissement du rythme cardiaque (bradycardie), une cyanose, témoin de l’hypoxémie, hypoxie et acidose [Bloch et al., 2003]. La bradycardie est définie par une chute de la fréquence cardiaque (FC), au dessous de 100 battements par minute (bpm) ou d’au moins 33 % par rapport à une valeur moyenne, pendant 4 secondes ou plus [Poets et al., 1993]. La bradycardie se produit généralement dans les sept premières secondes de l’apnée et atteint la FC minimale autour de 13 secondes [Di Fiore et al., 2001; Dorostkar et al., 2005]. Les apnées doivent être différenciées de la respiration périodique du prématuré, où des bouffées ventilatoires, d’amplitude progressivement croissante puis décroissante, alternent avec de brèves interruptions qui ne présentent aucun caractère pathologique [Laugel et al., 2000]. La majorité des grands prématurés ont des apnées-bradycardies durant les premières semaines. Cependant, elles disparaissent progressivement au cours de la maturation et ont généralement disparu après 40 SA. D’après HOFSTETTER et al. [Hofstetter et al., 2008], 98 % des prématurés de 25 à 28 SA présentent des épisodes d’apnée et 90 % des épisodes de bradycardie ; à 36 SA, 67 % présentent toujours des épisodes d’apnée et seulement 17 % ont des épisodes de bradycardie. Ces constats laissent suggérer par certains auteurs que le système cardiovasculaire mûrit plus rapidement que le système respiratoire chez les très grands prématurés [Hofstetter et al., 2008]. De plus, 83 % des épisodes de bradycardies sont associés aux épisodes d’apnées [Poets et al., 1993]. Concernant la durée des apnées, 73 % ont une durée de 10-14 secondes, 17 % de 15-19 secondes et 10 % supérieure à 20 secondes [Hofstetter et al., 2008]. L’apnée peut être du type symptomatique si elle provient d’une pathologie (infection, anémie, hypoxie, hypoglycémie, hypothermie, etc.) ou idiopathique si elle est uniquement due à l’immaturité des mécanismes de contrôle de la respiration. En outre, basées sur la présence ou l’absence de mouvements respiratoires, l’apnée est classée dans trois catégories : – Centrale : se produisant en l’absence des mouvements respiratoires ; – Obstructive : se produisant en présence des mouvements respiratoires ;
  33. 33. 1.2. Les apnées-bradycardies du nouveau-né prématuré 11 – Mixte : contenant des éléments d’apnée centrale et obstructive. L’observation clinique de l’enfant ou le monitoring cardio-respiratoire continu permettent de détecter uniquement l’apnée centrale, contrairement à l’apnée obstructive, où seule la détection des phénomènes associés, comme la bradycardie et l’hypoxémie, permet de soupçonner sa survenue. Les apnées les plus longues et les plus fréquentes sont souvent mixtes (de 50 à 70 % des cas), les apnées courtes (moins de dix secondes) sont surtout de type central (de 10 à 25 % des cas) et les obstructives sont peu fréquentes (de 12 à 20 % des cas) [Laugel et al., 2000]. Les apnées courtes sont considérées comme non pathologiques car elles ne s’accompagnent habituellement pas de bradycardies ni d’hypoxémie. En revanche, celles qui dépassent les 20 secondes sont considérées comme graves car elles sont suivies par une chute de la saturation, puis de la bradycardie, résultant de l’hypoxémie et dont la profondeur est proportionnelle à la durée de l’apnée. Les apnées-bradycardies du prématuré sont des phénomènes qui reflètent une forme d’inadaptation à la vie extra-utérine. Elles sont liées à l’immaturité physiologique de plusieurs éléments du système respiratoire : centres neuronaux, chémorécepteurs centraux et périphériques, afférences et efférénces réflexes. Elles peuvent aussi être provoquées ou aggravées par l’association d’une infection, hypoxie ou pathologie intracrânienne. D’ailleurs, elles sont plus fréquentes lorsque la température de l’environnement est plus élevée [Tourneux et al., 2008] et lors de sommeils agités (majoritaire chez le prématuré). Même s’il n’existe pas de risque accru de mort subite du nourrisson par la persistance des apnées-bradycardies [Abu-Shaweesh and Martin, 2008], les apnées longues suivies des bradycardies profondes (inférieure à 80 bpm) produisent une chute du débit sanguin cérébrale, une baisse de la pression artérielle, une diminution de l’oxygénation cérébrale et une dépression de l’amplitude de l’électroencéphalogramme (EEG) [Pichler et al., 2003; Urlesberger et al., 1999]. De plus, elles entraînent des modifications de l’oxygénation tissulaire et de l’équilibre hémodynamique. La répétition de ces épisodes est associée à un moins bon devenir neuromoteur à trois ans [Janvier et al., 2004]. Les apnées-bradycardies demeurent un problème clinique préoccupant en néonatalogie, qui impose de nombreux défis dans les stratégies thérapeutiques à suivre. Les thérapies appropriées sont données en raison des mécanismes qui provoquent l’apparition de ces épisodes. Une stimulation cutanée permet, dans la plupart des cas, la rupture des épisodes d’apnée-bradycardie. Des médicaments (comme la théophylline ou la caféine), l’augmentation d’oxygène à l’aide d’une canule nasale, la respiration assistée par pression positive continue (CPAP, Continuous Positive Airway Pressure) et la ventilation mécanique peuvent aussi être employés pour traiter l’apnée-bradycardie, selon sa sévérité. La répétition d’épisodes d’apnée-bradycardie et les risques associés justifient le monitoring continu des fréquences respiratoires et cardiaques et le traitement pharmacologique. Cette surveillance cardio- respiratoire continue permet également d’évaluer l’efficacité de traitements mis en place et de détecter une éventuelle récidive des apnées-bradycardies après l’arrêt des traitements.
  34. 34. 12 Chapitre 1 1.3 Les systèmes de monitoring automatisés La fragilité initiale des nouveaux-nés prématurés réclame, en plus d’une attention médicale et l’emploi de techniques adéquates pour maintenir et réguler leurs fonctions de bases, une surveillance continue dans une USIN pendant plusieurs semaines. Peu gênant pour l’enfant, les dispositifs automatisés de surveillance permettent au personnel soignant, d’un seul regard sur un écran, de vérifier les principales fonctions vitales du prématuré (température, fréquences cardiaque et respiratoire, pression artérielle, saturation en oxygène du sang, . . . ) et de prendre rapidement les mesures adaptées à tout instant : stimulation manuelle pour arrêter une apnée-bradycardie, oxygénation, ventilation au masque, voire intubation. Le système de monitoring fait partie de la routine dans les USIN et a contribué énormément à ce qu’un prématuré puisse survivre à un âge gestationnel de plus en plus jeune. Même si ces dispositifs ont progressé énormément en qualité et en fiabilité au cours de ces dernières années et représentent un progrès considérable en matière de sécurité, ils ne remplacent pas l’observation directe sur l’enfant. En effet, ces dispositifs ne sont pas dotés « d’intelligence » (interprétation d’une mesure parasitée qui déclenche une alarme) et présentent des limites (l’alarme ne se déclenchera pas en apnée obstructive si le nourrisson continue de faire l’effort respiratoire). Pour les alarmes, les moniteurs actuellement utilisables pour la surveillance des nouveaux-nés dans les USIN utilisent uniquement des seuils fixes basés sur des a priori, alors que des seuils adaptatifs et relatifs aux variables analysées ont montré des améliorations sur la détection [Cruz et al., 2006; Beuchée et al., 2007]. 1.3.1 L’équipement dans l’USIN Dans une USIN, l’enfant est raccordé à un moniteur qui comprend plusieurs modules d’acquisition des données physiologiques spécifiques et indépendants (i.e. température, électrocardiogramme, respiration, pressions artérielle, saturation d’oxygène (SpO2), acidité gastrique (pH), etc.). Ainsi, le système de monitoring est en général composé de différents éléments (voir figure 1.1 et figure 1.2) : – Un thermomètre qui mesure la température corporelle de l’enfant afin de la maintenir autour de 36,8 oC. Ce thermomètre est appliqué sur la peau du nouveau-né et est relié à un thermostat qui produit de l’air chaud dans la couveuse ; – Trois petites électrodes adhésives collées sur le thorax, abdomen, bras ou jambe qui mesurent la FC et la fréquence respiratoire. 100 et 180 bpm et 25 et 80 cycles par minutes correspondent en général aux valeurs minimales et maximales pour déclencher l’alarme ; – Un brassard gonflé à intervalles réguliers et enroulé autour du bras ou de la jambe, qui permet d’estimer la pression artérielle lorsque le brassard se dégonfle ;
  35. 35. 1.3. Les systèmes de monitoring automatisés 13 – Un capteur fixé à la main ou au pied qui surveille la saturation en oxygène dans le sang dont les seuils inférieur et supérieur d’alarme sont fixés autour de 8 % et 95 % de la valeur nominale ; – Un capteur chauffant attaché sur la peau qui détermine la pression du gaz carbo- nique dissout dans le sang. Les limites inférieure et supérieure sont 35 mmHg et 55 mmHg [Dageville, 2007]. Canule nasale Cathéter artériel Cathéter central périphérique Figure 1.1 – Image d’un prématuré. On peut y voir certains dispositifs de mesure (Reportés sur la figure). Infirmière Moniteur Couveuse Figure 1.2 – Système de monitoring utilisé dans l’USIN de Rennes. De plus, des échantillons de sang peuvent être prélevés à partir d’une veine ou d’une artère. L’imagerie par ultrasons ou par rayons X peut être utilisée pour examiner le cœur, les poumons et d’autres organes internes. D’autres dispositifs de monitoring fournissent des mesures complémentaires mais sont généralement limités à la recherche, telles que la pneumographie d’impédance, la pléthysmographie d’inductance respiratoire et le dioxyde de carbone de fin d’expiration [Atkinson and Fenton, 2009]. Après l’initialisation du système de monitoring, un processus itératif et continu d’ac- quisition des données, d’estimation de l’état de l’enfant, de détection et de validation des
  36. 36. 14 Chapitre 1 événements à risque et d’application des actions thérapeutiques est mis en place (voir figure 1.3). Ainsi lorsqu’une apnée-bradycardie survient, un membre de l’équipe soignante averti par les alarmes se dirige à la chambre appropriée, se lave les mains et applique une stimulation tactile suffisamment douce pour ne pas être agressive pour l’enfant, telle que frictionner la peau au niveau de la plante du pied ou du thorax, jusqu’à arrêter l’épisode d’apnée-bradycardie. D’ailleurs, plusieurs alarmes peuvent s’activer au moment d’une apnée- bradycardie : l’alarme de respiration si les mouvements respiratoires s’arrêtent, l’alarme d’oxygénation si la quantité d’oxygène dans le sang diminue, ou l’alarme de FC en cas de bradycardie. Détection/ Validation Diagnostic Thérapie Acquisition Figure 1.3 – Cycle de surveillance d’un prématuré dans une USIN 1.3.2 Délais dans le cycle de surveillance Comme nous l’avons relevé, les apnées-bradycardies sont des événements très fréquents qui peuvent mettre l’enfant en danger vital immédiat en absence d’une intervention rapide et adaptée. Par conséquent, le temps entre le début et la fin de l’épisode joue un rôle important. Ce temps peut être décomposé en plusieurs états de duré différentes : i) le début de l’apnée, ii) le début de la bradycardie, iii) le temps nécessaire au diagnostic de l’apnée-bradycardie par le système de monitoring et l’émission de l’alarme sonore, iv) le temps pris par l’équipe soignante pour cesser son activité en cours (les soins d’un autre enfant, se laver les mains afin d’éviter tout risque de contamination, se rendre au chevet du bébé souffrant qui peut être situé dans une autre chambre), et enfin v) l’application de la thérapie (stimulation tactile douce parmi d’autres) jusqu’à l’arrêt l’épisode. Les délais actuellement observés en clinique restent longs pour les bébés en détresse. Plus le temps d’intervention est long plus il est difficile d’arrêter l’épisode d’apnée-bradycardie conduisant ainsi à des problèmes importants et à des conséquences qui peuvent être irréversibles. Le retard d’intervention moyen, mesuré depuis l’activation de l’alarme jusqu’à l’application de la thérapie a été estimé autour de 33 secondes, avec une durée moyenne de stimulation tactile de 13 secondes pour obtenir la résolution de l’événement d’apnée- bradycardie [Pichardo et al., 2003].
  37. 37. 1.4. Généralités du système cardiovasculaire 15 Les bénéfices attendus d’une détection précoce de l’épisode d’apnée-bradycardie sont : i) réduire l’ampleur et la durée de l’apnée-bradycardie, ii) diminuer le recours à des thérapies compliquées telles que les manœuvres de réanimation ou d’intubation, iii) limiter les risques et les complications associés à ces épisodes, et iv) raccourcir la durée d’hospitalisation dans l’USIN et le coût lié. 1.4 Généralités du système cardiovasculaire Le système cardiovasculaire est un système composé du cœur et des vaisseaux sanguins. Ce système assure un flux de sang continu aux organes et aux tissus cellulaires du corps pour leur fournir de l’oxygène et des nutriments, évacuer les produits métaboliques générés pendant leur activité et transporter les hormones produites par les glandes endocrines vers les récepteurs. 1.4.1 Le cœur et l’activité électrique cardiaque Le cœur est un organe musculaire situé dans la cavité thoracique qui fonctionne comme une pompe autonome, assurant la progression du sang à l’intérieur des vaisseaux. Il est constitué de quatre cavités contractiles (voir figure 1.4), deux supérieures : les oreillettes gauche et droite qui reçoivent le sang veineux et sont séparées par le septum interauriculaire et deux cavités inférieures : les ventricules gauche et droit, divisés par le septum interventri- culaire, qui assurent l’expulsion du sang respectivement dans la circulation pulmonaire et dans la circulation systémique. Les ventricules sont séparés des oreillettes au moyen des valves auriculo-ventriculaires, formées par des ailerons de tissu connectif. La valve tricuspide sépare l’oreillette et le ventricule droit et la valve mitrale sépare l’oreillette gauche du ventricule gauche. La fonction des valves auriculo-ventriculaires est d’éviter une réentrée du sang aux oreillettes une fois qu’il est arrivé aux ventricules tandis que les valves sigmoïdes (pulmonaire et aortique) évitent le retour du sang vers les ventricules, une fois expulsé vers l’artère pulmonaire et vers l’aorte. Les événements cardiaques qui se produisent depuis le début d’un battement du cœur au début du prochain sont appelés le cycle cardiaque. Le cycle cardiaque est constitué d’une période de relaxation appelé diastole, au cours de laquelle le cœur se remplit de sang, suivie d’une période de contraction appelée systole. La paroi du cœur est composée de muscles en trois couches : 1. Le péricarde est l’enveloppe extérieure du cœur et se compose d’une couche de cellules épithéliales et de tissu conjonctif ;
  38. 38. 16 Chapitre 1 Atrium droit Atrium gauche Veine cave supérieure Aorte Artère pulmonaire Veine pulmonaire Valve mitrale Valve aortique Ventricule gauche Ventricule droit Veine cave inférieure Valve tricuspide Valve sigmoïde Poumons Figure 1.4 – Structure anatomique du cœur. Image d’après [Guyton and Hall, 1956]. 2. Le myocarde est la couche intermédiaire et se compose majoritairement de fibres contractiles ; 3. L’endocarde se trouve à l’intérieur et se compose d’une couche additionnelle de cellules épithéliales et de tissu conjonctif. Pour accomplir la fonction de pompe, le myocarde est constitué principalement de deux types de tissus : 1. Le tissu de conduction ou tissu nodal : Ce tissu est constitué de cellules présentant des propriétés spécialisées d’excitabilité, de conductibilité et d’automaticité. Ces propriétés permettent la génération régulière et spontanée des impulsions électriques et la conduction de ces impulsions d’une manière organisée au travers du myocarde, afin d’assurer une contraction adéquate et un pompage efficace ; 2. Le tissu myocardique contractile : Ce type de tissu est largement majoritaire et présente aussi des propriétés d’excitabilité et de conductibilité cellulaire. Cependant, à la différence du tissu nodal, il est constitué de cellules pourvues d’un grand nombre de fibres musculaires capables de se contracter. Chaque cellule cardiaque (nodale ou myocardique) est entourée et remplie avec une solution qui contient des ions. Les trois plus importants sont : le sodium (Na+), le potassium (K+) et le calcium (Ca2+). Au repos, l’intérieur de la membrane cellulaire est chargé négativement par rapport à l’extérieur, qui est pris comme référence. Cette différence de potentiel, ou potentiel de repos cellulaire, est voisin de −85 mV pour les cellules ventriculaires et dépend des concentrations ioniques dans les milieux intracellulaire et extracellulaire. Les processus actifs et passifs de mouvements des ions au travers des canaux ioniques, qui traversent la membrane cellulaire, et la propagation de ces ions, cellule à cellule, constituent les fondements de l’activité électrique cellulaire. Quand une impulsion
  39. 39. 1.4. Généralités du système cardiovasculaire 17 électrique d’amplitude suffisante arrive à une cellule excitable, l’intérieur de cette cellule devient rapidement positif par rapport à l’extérieur. Ce processus est connu comme la dépolarisation cellulaire. Le retour de la cellule cardiaque stimulée à son état de repos est appelé repolarisation cellulaire. L’enregistrement des différences de potentiel mesurées entre les milieux intracellulaire et extracellulaire, pendant les processus de dépolarisation et repolarisation d’une cellule, correspond au potentiel d’action (PA). Ce dernier est constitué de cinq phases (voir figure 1.5) : 1. La phase 0 ou de dépolarisation rapide : Après une excitation électrique au- dessus du seuil d’activation (ou potentiel liminaire) de la cellule au repos, les potentiels mesurés présentent une inversion rapide de polarité. Cette dépolarisation est générée par l’ouverture transmembranaire qui permet l’entrée passive de Na+ vers le milieu intracellulaire. 2. La phase 1 ou début de la repolarisation : Elle se caractérise par une repolari- sation rapide et de courte durée, due à l’inactivation des canaux Na+ et l’effusion de K+. 3. La phase 2 ou plateau : Pendant cette phase, la repolarisation continue mais à une vitesse très lente. Le plateau est principalement dû à l’ouverture des canaux calciques, qui permettent la diffusion lente et passive du Ca2+ vers l’intérieur de la cellule. 4. La phase 3 ou repolarisation rapide : Elle est caractérisée par une repolarisation majeure, produite par la fermeture des canaux ioniques spécifiques, qui emmène la cellule au potentiel de repos original. Il existe aussi, dans la dernière partie de la phase 3, une activation des canaux de potassium, qui permet l’expulsion active de ces ions, facilitant le retour à la négativité originale du potentiel transmembranaire. 5. La phase 4 : Elle correspond au potentiel de repos, où la cellule devient plus faci- lement excitable. Les caractéristiques de cette phase dépendent du type de cellule concernée. Amplitude(mV) Temps (s) Potentiel liminaire -85 20 PRA PRR 0 0,4 0,8 PRA PRR 0 1 2 3 4 0 1 2 3 Figure 1.5 – Potentiel d’action des cellules cardiaques ventriculaires. La propriété d’excitabilité cellulaire change pendant les différentes phases du PA. Pendant
  40. 40. 18 Chapitre 1 les phases 0, 1, 2 et la première partie de la phase 3 (usuellement jusqu’aux alentours de −50 mV), une stimulation externe sera incapable de provoquer un nouveau PA. Cette période est appelée la période réfractaire absolue (PRA). La durée de la PRA dépend de la fréquence à laquelle la cellule est stimulée, plus longue pour des fréquences cardiaques plus basses et inversement pour des fréquences de stimulation plus importantes. La période réfractaire relative (PRR) est associée à la dernière partie de la phase 3 (souvent pour des potentiels inférieurs à −50 mV ). Pendant la PRR, une stimulation d’amplitude supérieure à la normale (supra-stimulus) peut provoquer un nouveau PA qui présentera une durée de la phase 0 rallongée en fonction de la prématurité de la stimulation. Ces deux processus d’adaptation de la durée de la PRA et de la phase 0 correspondent aux propriétés d’hystérésis de la fonction cellulaire. 1.4.2 Le système spécialisé d’excitation-conduction du cœur Le système spécialisé d’excitation-conduction comprend : le nœud sinusal, les voies spécialisées internodales, le nœud auriculo-ventriculaire (A-V), le faisceau de His, les branches droite et gauche et les fibres de Purkinje (voir figure 1.6). Les cellules associées à chacune de ces parties du système d’excitation-conduction présentent une pente de dépolarisation diastolique lente (phase 4) différente. Dans le cas physiologique normal, cette pente est plus prononcée sur le nœud sinusal. Ainsi, le nœud sinusal est appelé le pacemaker dominant du cœur. Nœud sinusal Voies spécialisées internodales Nœud A-V Branche droite Faisceau de His Branche gauche Fibres de Purkinje Figure 1.6 – Système spécialisé de conduction du cœur. Image d’après [Guyton and Hall, 1956]. L’activité électrique normale du cœur suit la séquence d’activation suivante : 1. Le nœud sinusal : L’activité électrique est générée spontanément dans le nœud sinusal. Il est situé dans la partie haute de la paroi intérieure de l’oreillette droite, au niveau où débouche la veine cave supérieure. L’impulsion cardiaque initiée dans
  41. 41. 1.5. L’électrocardiogramme du nouveau-né prématuré 19 le nœud sinusal est transmise aux deux oreillettes. Cette activation est facilitée au moyen des voies spécialisées internodales qui relient le nœud sinusal au nœud A-V. 2. Le nœud auriculo-ventriculaire : Il est situé en bas de l’oreillette droite et est constitué de cellules qui présentent une conduction électrique lente. L’activation électrique qui arrive au nœud A-V est physiologiquement ralentie (approximativement 100 ms) avant d’arriver au faisceau de His. Cette propriété physiologique du nœud A-V permet de protéger les ventricules d’un nombre excessif d’activations du nœud A-V et d’activations auriculaires et concède aux oreillettes un temps de vidange plus grand, ce qui optimise la contraction ventriculaire. 3. Le faisceau de His : Il est situé dans la partie haute du septum interventriculaire et ses fibres traversent le tissu connectif (non excitable) qui séparent électriquement les oreillettes des ventricules. Dans les cas normaux, le nœud A-V et le faisceau de His constituent la seule voie de propagation de l’activité électrique cardiaque entre les oreillettes et les ventricules. L’ensemble de ces deux structures est souvent appelé la jonction auriculo-ventriculaire. Le faisceau de His comprend un tronc initial qui se divise en deux branches, droite pour le ventricule droit et gauche pour le ventricule gauche. 4. Les fibres de Purkinje : Les branches du Faisceau de His finissent dans un réseau de fibres qui arrivent dans les parois ventriculaires. Les fibres de Purkinje terminent en anastomoses avec les fibres myocardiques musculaires, facilitant leur excitation. En l’absence de toute stimulation nerveuse ou humorale, le muscle cardiaque est capable de générer sa propre activité électrique, ce qui lui permet de se contracter de manière rythmique. Cette propriété constitue l’automatisme cardiaque, la fréquence cardiaque intrinsèque chez l’homme se situant aux environs de 100 à 120 bpm. 1.5 L’électrocardiogramme du nouveau-né prématuré La direction du flux et l’amplitude des courants électriques générées par les processus de dépolarisation et de repolarisation de l’ensemble des cellules myocardiques peuvent être détectées par des électrodes disposées sur la surface du thorax. Le signal électrique obtenu est appelé un électrocardiogramme (ECG). L’analyse de cette activité électrique s’est révélée comme une technique primordiale pour le diagnostic des maladies cardiovasculaires et constitue un outil fondamental dans le monitoring cardiaque. Les processus de dépolarisation et de repolarisation des structures myocardiques se présentent dans l’ECG comme une séquence de déflections ou d’ondes superposées sur une ligne de potentiel zéro, appelée ligne isoélectrique (voir figure 1.7). L’ordre et la morphologie de ces ondes dépendent d’une part de la structure anatomique d’initiation de l’impulsion
  42. 42. 20 Chapitre 1 électrique (i.e. le nœud sinusal, une structure jonctionelle, . . . ) et d’autre part de la séquence de conduction au travers du myocarde. P Q R S T Segment ST Intervalle PR Intervalle QT Complexe QRS Intervalle RR R Segment PR Figure 1.7 – Ondes, intervalles et segments dans l’ECG. En examinant un ECG, on reconnaît : – La dépolarisation auriculaire : Représentée dans l’ECG par l’onde P. Cette onde se caractérise au niveau spectral par une composante basse fréquence de faible énergie, qui limite souvent son observation dans plusieurs dérivations ECG, spécialement dans des conditions de bruit ; – La repolarisation auriculaire : Représentée par l’onde Ta et de direction opposée à celle de l’onde P. Généralement l’onde Ta n’est pas visible dans l’ECG car elle coïncide avec le complexe QRS d’amplitude plus importante ; – La dépolarisation ventriculaire : Représentée par la déflection de plus grande amplitude de l’ECG. le complexe QRS est constituée de trois ondes consécutives : les ondes Q, R et S, qui sont associées respectivement aux vecteurs moyens d’activations septale, ventriculaire et basale ; – La repolarisation ventriculaire : Reflétée par l’onde T. Outre les formes d’ondes, un battement cardiaque est aussi caractérisé par plusieurs segments et intervalles (voir figure 1.7) : – L’intervalle RR : Il sépare les sommets de deux ondes R consécutives qui définissent la FC instantanée ; – L’intervalle PR : Il est mesuré entre le début de l’onde P et le début du complexe QRS. Cet intervalle représente le temps de conduction de l’activité électrique des oreillettes aux ventricules ; – Le segment PR : C’est la période temporelle comprise entre la fin de l’onde P

×