Le risque associé aux effets stochastiques du rayonnement neutronique est connu pour être dépendant de l'énergie. Au cours de la dernière décennie, plusieurs études ont utilisé des simulations de Monte Carlo pour estimer l'efficacité biologique relative (EBR) des neutrons pour divers types de dommages causés à l'ADN afin de comprendre sa dépendance énergétique fondamentale. Cependant, aucune de ces études n'inclus la simulation de la réparation de l'ADN dans leurs protocoles.

Dans ce projet, nous avons étudié les effets de l'ajout de mécanismes de réparation aux estimations de l'EBR par simulation de Monte Carlo des dommages à l'ADN causés par les neutrons. Notre groupe a récemment effectué des simulations d'histoire condensée (HC) pour établir le profil du spectre d'énergie et la contribution relative à la dose des particules secondaires produites par les interactions neutroniques dans les tissus. Dans ce projet, nous utilisons les résultats de nos simulations HC pour simuler l'irradiation du modèle d'ADN de TOPAS-nBio par un spectre plat de neutrons allant de 1 eV à 10 MeV, ainsi que des rayons X de référence de 250 keV. Les dommages induits à l'ADN sont enregistrés à l'aide du format standard de données sur les dommages à l'ADN (SDD) et la réparation de l'ADN est simulée à l'aide du simulateur des mécanismes de réparation de l'ADN ('DNA Mechanistic Repair Simulator', DaMaRiS).

Le délirium est un état qui, lorsqu'il n'est pas pris en charge, est associé à une augmentation de la mortalité et à une hospitalisation plus longue des patient.e.s en soins intensifs; son dépistage devrait donc faire partie intégrante des soins. Il se caractérise par la confusion, l’anxiété et une vigilance réduite. Il est estimé que 75% des cas de délirium ne sont pas détectés à l'admission à l'hôpital. En effet, la détection d'un tel état aigu nécessite un suivi fréquent des participant.e.s, ce qui demande beaucoup de travail et d'expertise. Or, les signes vitaux des participant.e.s, qui peuvent être recueillis en continu tout au long de leur séjour en soins intensifs, pourraient contenir de l’information indicative de l’état de conscience présent, et possiblement prédictive de l’état futur.

Notre objectif est de construire un classificateur automatique par apprentissage machine se basant sur les données des signes vitaux pour (a) identifier les moments où le ou la patient.e. a été délirieux; et (b) prédire l’incipience de délire. Comme mesure primaire, nous utiliserons un outil validé cliniquement, la méthode d'évaluation de la confusion dans les unités de soins intensifs (Confusion Assessment Method for Intensive Care Unit) (CAM-ICU). Cette évaluation a été effectuée deux fois par jour, une fois le matin et une fois l'après-midi, dans notre population sous étude au CISSS de Chaudière-Appalache (Hotel Dieu de Lévis). L'algorithme d'apprentissage sera entraîné sur les signes vitaux des participant.e.s avant, après et pendant les épisodes de délire afin (a) d’extraire les caractéristiques de signes vitaux reliés à un état de délire; (b) la probabilité que le ou la patient.e. soit en délire ou non, basé sur ces caractéristiques; et (c) la probabilité que le ou la patient.e. développe un état de délire dans une fenêtre temporelle raisonnable (e.g. 1 heure).

Même si le modèle d'apprentissage automatique n’atteint pas la justesse et la précision d’un questionnaire validé, son utilisation dans les établissements de santé permettrait d’optimiser les soins, principalement en attirant l’attention sur toute dérive suspecte (haute sensibilité). Considérant que les patient.e.s qui restent avec un délirium sans traitement sont associés à un taux de mortalité plus élevé et à des séjours plus longs aux soins intensifs, un indicateur clinique tel que ce modèle peut aider l'équipe de soins à prendre en charge ce symptôme qui passe autrement inaperçu.
 

La prédiction et l'identification précoce d'accidents vasculaires cérébraux (AVC) sont cruciales afin de prévenir les revisites aux urgences et de débuter le traitement, réduisant ainsi la morbidité et la mortalité.

Ce projet porte sur l'analyse de tomodensitométries (TDM) sans contraste de la tête pour prédire la revisite précoce aux urgences de patient.e.s qui reviennent avec diagnostic d’AVC. Le premier objectif sera de recueillir des TDM open-source ainsi que des TDM du Centre intégré de santé et de services sociaux de Chaudière-Appalaches (CISSS-CA) pour classifier la présence/absence d'AVC à l'aide d'un modèle existant. Le deuxième objectif sera de développer et de tester un modèle d'apprentissage automatique avec des poids du modèle précédent et d'autres données cliniques pertinentes pour classifier les revisites précoces aux urgences.

D'un point de vue clinique, le développement d'un tel outil pourrait aider les neuroradiologues aux urgences à l’interprétation d'images et à la prise de décisions cliniques.