Recherches financées

En partenariat avec le réseau Can-SOLVE

Co-candidat(s) : Annie-Claire Nadeau-Fredette, Frederic Baroz, Neila Mezghani, Rita Suri, Ron Wald, Thomas Mavrakanas

Résumé en langage clair

Les perturbations de la tension artérielle sont fréquentes durant les traitements d'hémodialyse (dans > 10 % de toutes les séances) et ont des effets néfastes sur la santé, notamment en augmentant le risque de mortalité, d'accident vasculaire cérébral et de démence. Ces variations tensionnelles provoquent aussi une détresse importante chez les patients, puisqu'elles s'accompagnent de symptômes comme des crampes, des vertiges, une perte de conscience, de l’anxiété et une sensation de fatigue qui persiste après la dialyse. Il est important de prévenir ces événements pour améliorer la santé physique et mentale des personnes vivant avec une insuffisance rénale terminale. Cependant, nos interventions préventives sont limitées, en partie parce que nous saisissons mal comment le corps s'adapte au traitement de dialyse afin de maintenir une tension artérielle adéquate. Dans le cadre du projet que nous proposons, nous utiliserons des données recueillies systématiquement lors des séances d’hémodialyse dispensées dans quatre centres de 2017 à 2022 (1 million de séances chez plus de 1200 patients) pour nous permettre de mieux comprendre, grâce à des méthodes d'intelligence artificielle, comment le corps réagit à ce type de traitement. Nous utiliserons d'abord un modèle de langage étendu pour répertorier les séances au cours desquelles les patients ont signalé des symptômes incommodants à leur infirmière pendant le traitement ainsi que le type de symptômes qu'ils ont signalés. Cette nouvelle méthode pourrait s’avérer très utile, dans la mesure où les données sur les symptômes survenant durant la dialyse sont rarement utilisées aux fins de recherche sur de grands groupes de patients, vu la difficulté pour le personnel soignant et les patients d’en faire un recensement fiable. Dans un deuxième temps, nous utiliserons un autre type d'intelligence artificielle, l'analyse des classes latentes, qui permettra de dégager des tendances liées aux signes vitaux et aux symptômes au cours de l'hémodialyse. Selon notre hypothèse, de nombreuses tendances pourront être identifiées et caractérisées pour la première fois. Nous fournirons une description détaillée des caractéristiques des patients et des séances associées à ces schémas vitaux afin de déterminer ce qu’ils signifient. Enfin, nous étudierons le lien potentiel entre les tendances observées et le risque d'événement cardiovasculaire, d'hospitalisation, de mortalité et de déclin cognitif. Les résultats de ce projet fourniront des indications importantes pour orienter les efforts futurs en matière de prévention et de traitement des perturbations de la tension artérielle et de la détresse qui y est associée. Comme l'efficacité de ces traitements est susceptible de varier d'un patient à l'autre, le fait de déterminer la tendance par laquelle le corps réagit pendant l'hémodialyse pourrait permettre de cibler les personnes qui ont le plus de chances de bénéficier d'un traitement donné. Ce projet propose d'exploiter pleinement l'immense richesse des données consignées dans les dossiers médicaux électroniques en utilisant des techniques analytiques modernes afin d'améliorer notre compréhension d'un problème très fréquent auquel sont confrontés les patients hémodialysés.