Peut-on prédire la résécabilité d’une carcinose péritonéale ? Contribution du machine learning comme aide à la décision

Introduction : L’objectif de cette etude etait de predire la resecabilite de la CP en utilisant un modele de ML d’aide a la decision, chez des patients eligibles a une procedure de CRS associee a une CHIP. Materiels et Methodes : L’etude a ete realisee en intention de traiter, a partir de trois bases de donnees, deux retrospectives et une prospective entre janvier 2000 et decembre 2015. Un score de propension a permis d’obtenir deux groupes de patients comparables et apparies. Les deux groupes de patients sont ainsi repartis entre un groupe non resection et un groupe resection. Ensuite, plusieurs modeles d’algorithmes de classification ont ete etudies (classification simple, par arbre conditionnel, SVM, Random Forest) afin de determiner le modele ayant la performance de precision la plus elevee. Resultats : Apres realisation du score de propension, deux groupes de 155 patients ont ete obtenus, un groupe non resection et un groupe resection. Neuf criteres de non-resecabilite ont ete retenus traduisant l’atteinte d’organe. Ils ont ete recodes afin d’en preciser l’importance.Cinq algorithmes de classification ont ete testes. La base d’entrainement comprenait 218 patients et la base test 92. Le modele de Random Forest etait le plus performant avec une precision de presque 98%. Seulement deux erreurs de prediction ont ete observees. Conclusion : Un modele de ML par Random Forest nous a permis de predire la resecabilite d’une CP. L’implementation d’un plus grand nombre de patients permettra d’ameliorer la precision de la prediction. L’implementation de variables supplementaires comme la cœlioscopie pourrait permettre de diminuer le nombre de procedure « Ou0026C ».