Université de Rennes 1 Hybrid approach, combining computational and machine-learning models, for the analysis of myocardial strain and cardiac function evaluation Approche hybride, combinant des modèles computationnels et d’apprentissage automatique pour l’analyse du strain myocardique et l’évaluation de la fonction cardiaque Modèle computationnelapprentissage automatiquejumeau numériqueechocardiographiesténose aortiquebloc de branche gauchecardiomyopathie hypertrophique Computational modelmachine learningdigital twin, echocardiographyaortic stenosisleft bundle branch blockhypertrophic cardiomyopathy Apprentissage automatique Jumeaux numériques Rétrécissement aortique Cardiomyopathie hypertrophique Bloc de branche L'évaluation de la fonction cardiaque est un enjeu majeur en cardiologie, en particulier dans la prise en charge des patients atteints d'insuffisance cardiaque. Malgré les avancées technologiques, telles que les courbes de strain extraites de l'échocardiographie, cette évaluation reste difficile et incomplète en raison de sa nature multifactorielle. L'objectif est de proposer de nouvelles méthodes permettant une compréhension plus précise et personnalisée de la fonction ventriculaire gauche chez les patients insuffisance cardiaque. Des approches hybrides combinant la modélisation in silico, traitement du signal et apprentissage automatique ont été proposées. Quatre problématiques associées à différents phénotypes d'insuffisance cardiaque sont abordées dans cette thèse : i) Les courbes de strain de 10 sujets sains et 20 patients atteints de bloc de branche gauche ont été analysées à l'aide d'un modèle computationnel. ii) Une caractérisation des profils de réponse à la thérapie de resynchronisation cardiaque a été proposée sur 250 patients éligibles grâce à des approches hybrides. iii) Une estimation non invasive de la pression ventriculaire gauche a été proposée et évaluée sur 67 patients atteints de sténose aortique afin d'obtenir des indices de travail myocardique. iv) Une classification du risque de mort subite chez les patients atteints de cardiomyopathie hypertrophique a été développée à partir de paramètres cliniques, d'imagerie et extrait du strain de 434 patients. Ces approches originales utilisent principalement des mesures non invasives issues de l'échocardiographie et introduisent de nouveaux outils d'intelligence artificielle dans la pratique clinique. Elles visent à être spécifiques à chaque patient afin d'être intégrées dans un processus de médecine personnalisée. The cardiac function evaluation is a major health issue in cardiology, and particularly for the management of patients with heart failure. Despite technological progress and the arrival of myocardial deformation curves extracted from echocardiography: strain curve, the cardiac function evaluation remains difficult and incomplete due to its multifactorial nature. The objective of this thesis is to propose new methods allowing a more precise and personalized understanding of the left ventricular function of heart failure patients. Hybrid approaches, combining in-silico modeling, classical signal processing and machine learning, were proposed. Four issues associated with different heart failure phenotypes are addressed in this thesis: i) Strain curves of 10 healthy subjects and 20 patients with left bundle branch block were analyzed by a computational model. ii) A characterization of the responder profiles for cardiac resynchronization therapy were proposed thanks to the application of hybrid approaches on 250 eligible patients. iii) Non-invasive left ventricle pressure estimation was proposed and evaluated on 67 aortic stenosis patients to obtain myocardial work indices, iv) A classification of sudden death risk in patients was developed on clinical, imaging and strain extracted parameters of 434 patients with hypertrophic cardiomyopathy. Original approaches combining both machine learning algorithms and digital twin cohorts have been proposed and applied. The proposed methods mainly use non-invasive measurements from echocardiography and bring new artificial intelligence tools to clinical practice. They aim at being patient-specific in order to be integrated in a personalized medicine process. Electronic Thesis or DissertationText en application/pdf1 : 54032 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/61a4e3bd-735d-4716-ae5a-21a9703fc5fe Taconné Marion 1997-02-10 FR 273581317 marion.taconne@gmail.com 2023URENB031 http://www.theses.fr/2023URENB031 2023-08-30 Analyse et traitement de l'information et des images médicales Universite de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiDonalErwanintervenant_1070701458Le RolleVirginieintervenant_2111671787VoigtJens-Uweintervenant_3198310749HernándezRodriguezintervenant_6127170790CorinoValentina D. A.intervenant_4273604422OsterJulienintervenant_5140038302 SVSecoleDoctorale_1 264825152 Laboratoire de Traitement du Signal et de l'Image partenaireRecherche_1 177793767 ddc:610 DonalErwanLe RolleVirginieVoigtJens-UweCorinoValentina D. A.OsterJulienHernándezRodriguezUniversite de RennesSVS Laboratoire de Traitement du Signal et de l'Image ASCII PDF 55328769