Plusieurs études ont mis en évidence les facteurs pronostiques associés à la bonne récupération fonctionnelle chez des patients AVC traités par thrombectomie mécanique (TM), parmi eux, des caractéristiques cliniques du patient, de l'AVC, de prise en charge hospitalière ainsi que de l'acte de thrombectomie^1,2.  Des méthodes basées sur l'intelligence artificielle permettent de prendre en compte simultanément de multiple variables³.  Nous nous proposons, chez des patients victimes d'AVC ayant bénéficié d'une TM, d’évaluer l’évolution au cours de la prise en charge de la prédiction de la mauvaise récupération fonctionnelle à 3 mois sur la base du mRS.

Un total de 425 patients du CHU de Montpellier (base STORM) a été inclus dans notre étude (Tableau 1). Trente-cinq variables en pré-TM et dix variables associées à la TM ainsi qu'au suivi ont également ont été collectées. Afin de prédire la récupération à 3 mois, des modèles d'intelligence artificielle de type « support vector machine » (SVM) ont été réalisées de façon incrémentielle au cours de la prise en charge. Les patients ont ainsi été séparés en cohorte d'apprentissage (N=318), et cohorte de validation (N=107). La qualité des modèles a ensuite été évaluée chronologiquement via leur aire sous la courbe ROC (AUC) puis éprouvée avec des neuroradiologues expérimentés sur des cas définis comme compliqués.

Les résultats montrent qu'il est possible de prédire la mauvaise récupération pre-TM (AUC = 0.85 ± 0.07, précision = 73.4 ± 6.9), l'inclusion des variables post-TM permettant d'améliorer la prédiction (AUC = 0.92 ± 0.05, précision 77.7 ± 9). L’âge, le diabète, les troubles neurologiques,  et le NIHSS à l'admission et à 24h étant les variables permettant les plus grands gains d'AUC (Figure 1). Malgré leurs performances élevées et conforment à la littérature³, le modèle est légèrement moins efficace que les neuroradiologues (11/20 et 10/20 erreurs respectivement).