Discussions et conclusions

0 0.2 0.4 0.6 0.8 1 0

0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1

Note : Comme pour la figure 5.4, pour chacune des techniques de projection employées, les courbes de ROC sur les ensembles de validation et de test sont représentées respectivement à gauche et à droite.

Fig. 5.11 – Comparaison des courbes de ROC des modèles de classification issus de processus de projection (linéaire et non linéaire) pour prédire le résultat du tilt-test en position couchée.

technique de technique de

Sp(%) V P P(%) V P N(%) AU C réduction classification Se(%)

sélection

SVMpoly. 76±16 83±13 83±14 78±13 0,830±0,12

exhaustive (58)^† (59)^† (61)^† (56)^† (0,594)^†

projection

PMC 88±14 74±16 88±13 80±11 0,811±0,11

ACP (71)^† (68)^† (67)^† (72)^† (0,737)^†

projection

PMC 82±14 75±39 83±23 73±37 0,801±0,22

ACC (76)^† (74)^† (72)^† (78)^† (0,793)^†

projection

SVMpoly. 80±19 71±40 83±19 70±40 0,787±0,20

ACP→ACC (84)^† (18)^† (53)^† (50)^† (0,517)^†

projection

PMC 96±10 84±20 87±15 97±8 0,894±0,12

ACC →ACP (84)^† (71)^† (80)^† (76)^† (0,780)^†

Note :^†indique que les résultats sont obtenus sur le sous-ensemble de test.

Tab.5.9 – Récapitulatif des meilleures associations des méthodes de classification et de réduction (sélection et extraction) pour prédire le résultat du tilt-test en position couchée.

0 0.2 0.4 0.6 0.8 1 0

0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8 1 0

0.2 0.4 0.6 0.8 1

Fig.5.12 – Comparaison des courbes de ROC des modèles de classification issus de processus de réduction de dimension (sélection et extraction) pour prédire letilt-test en position couchée.

L’utilisation d’un sous-ensemble de test, en plus des sous-ensembles de validation, permet d’estimer sans biais les performances de généralisation des modèles construits. En effet, même si l’utilisation de la validation croisée permet de réduire le biais d’estimation des performances des modèles, l’apprentissage et le choix des modèles sont, malgré tout, affectés par quelques pa- tients particuliers appartenant aux sous-ensembles de validation. Ainsi, l’estimation sans biais, par l’intermédiaire de l’évaluation du sous-ensemble de test, permet d’observer de moins bonnes performances pour les modèles issus d’une sélection de variables. Par cette approche (méthode exhaustive, tableau 5.9), l’écart entre les performances de validation et de test est très impor- tant. En effet, la sensibilité/spécificité de test et de validation est respectivement de58%/59%et 76%/83%(cf.tableau 5.9). Nous aurions pu imaginer que, dans un premier temps, le manque de reproductibilité est dû à la non homogénéité des patients des sous-ensembles de validation et de test. Cependant, pour les techniques de projection la disparité des performances entre ces sous- ensembles n’est pas aussi évidente. Dès lors, nous pouvons peut être incriminer les modèles, ou plutôt, les variables issues des recherches exhaustives comme étant défavorables à la généralisation.

Lors des explorations exhaustives des combinaisons de variables, les PMC et SVM (noyaux polynomial et gaussien) ont obtenu les meilleures performances et ont montré la forte influence des variables suivantes :âge,FC,TBW,LW/FW etHt. Quant aux modèles basés sur l’ACP, ils ont été influencés par les variables suivantes : TBW,Ht,Hb,dZ_max/dt,C et PAS.

Parmi les15variables pré-sélectionnées par les médecins, le taux d’hématocrite et la quantité d’hémoglobine semblent être incontournables pour la prédiction du résultat du tilt-test. Or, ces deux variables étant relativement difficiles et coûteuses à obtenir, il serait judicieux de s’en pas- ser. Il reste alors trois autres types de variables fortement représentés : les mesures de fréquence cardiaque, les mesures de la pression artérielle et les mesures du signal d’impédancemétrie thora- cique (Z). Notons, que l’eau totale (TBW) et le rapport masse maigre/masse grasse (LW/FW) peuvent être obtenus à partir du signalZ en utilisant des formules appropriées. Ainsi, la présence des variablesTBW etLW/FW et des indices extraits directement sur la dérivée deZ (dZmax/dt, t1 et C) montrent l’importance du signal d’impédancemétrie thoracique, comme l’ont déjà ob- servé [Bellard et al., 2003; Schanget al., 2003; Schang et al., 2006]. D’autre part, la dynamique cardiovasculaire, caractérisée en partie par le taux d’hématocrite qui paraissait si important, pourrait être exprimée par l’intermédiaire de l’indicedZmax/dtqui, comme explicité dans le cha- pitre précédent, est fortement corrélé au volume d’éjection systolique (VES) et donc au débit sanguin [Charloux et al., 2000]. [Yammanouchi et al., 1996] ont pu observer pour les patients positifs, une diminution rapide du VES corrélée à une augmentation de l’indice dZmax/dtet de contractibilité (C). Ces observations confirment la pertinence des résultats obtenus, permettant d’envisager l’utilisation unique du signal d’impédancemétrie thoracique pour la prédiction de la syncope ; nous analyserons cette situation à la section 5.5.

Dans les expérimentations de cette section, les performances sont obtenues par l’association de variables. Ainsi la pression artérielle et la fréquence cardiaque ont influencé la prédiction au même titre que le signalZ. Rappelons qu’avec uniquement laPAS, [Pitzaliset al., 2002] ont prédit, avec une sensibilité de 85%, le résultat dutilt-test durant les 15 premières minutes de la phase bascu- lée. D’autre part, [Mallat et al., 1997], en étudiant l’influence de la fréquence cardiaque pendant les 6 premières minutes de la phase basculée du tilt-test, ont prédit le résultat du test avec une sensibilité de96%. Ces études, [Mallatet al., 1997], [Pitzaliset al., 2002] et [Bellardet al., 2003;

Schang et al., 2003], ont considéré de manière indépendante chaque groupe de variables ; respec- tivement la fréquence cardiaque, la pression artérielle et le signal Z. En associant ces variables, notre étude, publiée également [Feuilloy et al., 2005c], a permis d’améliorer la prédiction du ré- sultat du tilt-test et celadurant la phase de repos, en obtenant une sensibilité de96%et une spécificité de 84%. Le tableau 5.10 récapitule les résultats obtenus des différentes études citées précédemment ; notons que ce tableau est repris de la section 4.3, où les études ont été détaillées.

Notons enfin que par l’utilisation des méthodes de projection, même si des variables, telles que t1 ou t2 (voir figure 5.10), sont faiblement représentées, il n’en demeure pas moins qu’elles ont participé à la création des composantes, et donc, qu’elles ont contribué à obtenir les perfor- mances de prédiction. Il est alors délicat d’affirmer la non utilité de certaines variables. Malgré l’efficacité démontrée par les méthodes de projection, l’inconvénient majeur de ces approches est, par conséquent, le manque d’informations sur le rôle joué par les variables originales dans la construction des nouvelles composantes [Illouz and Jardino, 2001; Guérif, 2006]. En d’autres termes, la description des entrées des modèles ne sont pas clairement définies. D’autant plus pour les méthodes de projection non linéaire qui ne disposent pas d’outils analytiques pour extraire la représentation des variables dans les nouvelles composantes, comme le fait l’ACP. Cela influence considérablement le choix pour certains auteurs quant à opter pour des méthodes de sélection plutôt que pour des méthodes de projection, afin de réduire la dimension d’un problème. Rappe-

étude période du

Se(%) Sp(%) V P P(%) V P N(%)

tilt-test ACC→ACP

période de repos 87±6 94±4 93±4 89±5

PMC 96±10 (84)^∗ 84±20 (71)^∗ 87±15 (80)^∗ 97±8 (76)^∗

[Schanget al., 2003] période de repos 100 100 100 100

69 73 67 75

[Bellardet al., 2003] période de repos 68 63 63 68

− − − −

[Bellardet al., 2003]^† 5à10-ième min 68 70 68 70

du basculement − − − −

[Bellardet al., 2003]^‡ 5à10-ième min 50 97 93 67

du basculement − − − −

[Pitzaliset al., 2002] 1^re à15-ième min 93 58 28 98

du basculement 80 85 57 94

[Mallatet al., 1997] 1^reà6-ième min 100 89 96 100

du basculement 96 87 75 98

Note :^†étude analysant uniquement les variables liées au signaldZ/dt.^‡étude analysant les variables liées au signal dZ/dtetF C,P AS,P ADetP D.

Les lignes en blanc correspondent aux résultats obtenus lors d’une analyse rétrospective et les lignes grisées correspondent aux résultats obtenus lors d’une analyse prospective.^∗Indique que les résultats sont obtenus sur le sous-ensemble de test ; ce sous-ensemble n’est pas utilisé pour l’apprentissage et la sélection du modèle, il donne les performances sans aucune forme de biais.

Tab.5.10 – Comparaison des résultats de prédiction de la réponse dutilt-test en position couchée, avec les principales études analysant la syncope inexpliquée.

lons qu’au chapitre 6, nous proposerons une adaptation du processus d’extraction d’information de l’ACP aux processus de projection non linéaire, afin d’améliorer l’interprétation des méthodes non linéaires en les rendant encore plus efficaces.

5.4 Recherche d’indices prédictifs du résultat du tilt-test durant