Comparaison entre l'Homme et la Machine (Deep-Neural Network) pour le Diagnostic de l'Occlusion Coronaire Aiguë sur l’Électrocardiogramme

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

Optimiser la détection précoce et précise des occlusions coronaires aiguës afin de réduire les délais de reperfusion chez les patients pour lesquels le diagnostic d’occlusion coronaire aiguë n’avait pas été initialement posé. Parallèlement, cette approche vise à minimiser les coronarographies inutiles réalisées dans le cadre de suspicions d’occlusion coronaire aiguë non confirmées.
Patients majeurs hospitalisés pour suspicion de syndrome coronaire aigu (sur critères ECG et/ou troponine) ayant bénéficié d'une coronarographie au cours de la même hospitalisation.
Une première analyse des données permettra la description de la population et des différentes variables mesurées. La normalité de la distribution des variables quantitatives sera explorée à l’aide du test de normalité de Shapiro-Wilks.
Les résultats statistiques seront présentés sous forme de moyennes ± écarts-types pour les variables quantitatives dont la distribution est gaussienne, médianes et intervalles interquartiles pour les autres variables. Pour les variables qualitatives, les effectifs et les pourcentages associés seront présentés.
Pour répondre aux objectifs, nous réaliserons des estimations ponctuelles et par intervalle de confiance à 95%.
Un tableau de contingence sera créé pour évaluer la performance diagnostique du modèle d’intelligence artificielle pour la détection de l'issue primaire confirmée par angiographie. En utilisant les données du tableau de contingence, les performances des principaux critères d'évaluation du modèle d’IA seront évaluées. (Se/Sp/VPN/VPP)
Les analyses seront groupées mais également faites selon le relecteur afin de tenir compte de l’effet du statut du professionnel (cardiologues, urgentistes, internes).