Défense publique « Mobile health apps in the postoperative follow-up after bariatric surgery » par Mme Farinella Eleonora
Défense publique de thèse de doctorat en vue de l’obtention du grade académique de Doctorat en Sciences biomédicales et pharmaceutiques.
Promoteur : Prof. Giovanni Briganti, Chef de service, UMONS
Co-promoteur : Prof. Jerome Lechien, Chef de service, UMONS
Président du jury : Prof. Alexandre Legrand, Chef de service, UMONS
Secrétaire du jury : Prof. Said Mahmoudi, Chef de service, UMONS
Membres du jury :
- Georgios Katsanos, Aristotle University of Thessalonik
- Vincent Donckier De Donceel, Université Libre de Bruxelles
L’objectif général consiste à déterminer dans quelle mesure un outil numérique de télésurveillance postopératoire améliore la prise en charge après une chirurgie bariatrique. La recherche combine une revue systématique, une étude clinique prospective et un volet prédictif utilisant l’intelligence artificielle, de manière à couvrir l’ensemble du continuum méthodologique : analyse de la littérature, preuve de concept en conditions réelles, et modélisation avancée du risque.
Les trois objectifs spécifiques sont les suivants :
- Identifier et évaluer les outils numériques existantspour la surveillance postopératoire en chirurgie bariatrique grâce à une revue systématique de la littérature. Cette étape vise à caractériser l’état de l’art, les bénéfices, les limites et les zones d’incertitude des solutions actuelles.
- Évaluer l’impact clinique d’une application mobile dédiée, en comparant un suivi classique à un suivi digitalisé. L’analyse porte en particulier sur la détection précoce des complications, la réduction des consultations ou visites aux urgences, l’engagement des patients, l’adhésion au suivi, et la satisfaction mesurée par un outil validé (MAUQ).
- Développer un modèle prédictif de complications postopératoiresen exploitant les données réelles collectées via l’application Care4Today. Ce modèle, fondé sur des techniques de machine learning, vise à identifier précocement les patients à risque, optimiser la personnalisation du suivi et améliorer l’utilisation des ressources cliniques.
Trois volets complémentaires structurent le programme de recherche : (1) revue systématique et méta-analyse, (2) étude prospective interventionnelle, (3) étude observationnelle avec modélisation prédictive par intelligence artificielle.
1. Revue systématique et méta-analyse
La revue est conduite selon les standards PRISMA. Bases de données consultées : Medline, Scopus, CINAHL, CENTRAL (depuis l’inception jusqu’à novembre 2023). Critères d’inclusion : études comparatives (RCT, quasi-RCT, études avant-après) portant sur des adultes ayant bénéficié d’une chirurgie bariatrique et recevant un suivi numérique postopératoire. Principaux critères de jugement : poids perdu à 12 mois (%TWL, %EWL), visites aux urgences. Analyse statistique : modèle à effets aléatoires, risques de biais évalués via ROBINS-I et RoB2. Cette première partie crée la base conceptuelle du travail et fournit un référentiel critique indispensable à l’étude prospective.2. Étude prospective interventionalle
Il s’agit d’une étude prospective conduite au CHU Saint-Pierre (septembre 2022 – octobre 2023), incluant des patients adultes éligibles à une chirurgie bariatrique (IMC > 40, ou > 35 avec comorbidités), et acceptant un suivi digital via l’application Care4Today. Les éléments clés :- Suivi de 60 joursbasé sur un questionnaire quotidien et un système d’alertes à trois niveaux (orange, rouge, rouge➕).
- Rôle du coordinateur digital: installation, accompagnement, réduction de la fracture numérique.
- Données collectées: caractéristiques démographiques et cliniques, alertes générées, complications (Clavien-Dindo), visites à l’urgence, réadmissions, %TWL et %EWL.
- Analyse statistique: tests adaptés (Fisher, ANOVA, Mann-Whitney, Kruskal-Wallis), modèles de régression logistique ajustés aux facteurs confondants.
3. Modélisation prédictive basée sur l’IA
Une étude observationnelle sert de base au développement de modèles prédictifs robustes. Caractéristiques principales :- Prétraitement des données: imputation des données manquantes, one-hot encoding, standardisation, réduction dimensionnelle (SelectKBest, PCA).
- Gestion du déséquilibre des classes: utilisation de SMOTE pour augmenter la sensibilité du modèle aux complications rares.
- Modèles analysés: une quinzaine d’algorithmes supervisés (logistic regression, random forest, XGBoost, SVM, naïve Bayes, etc.).
- Validation: 5-fold cross-validation.
- Performances: modèles évalués via accuracy, F1-score et AUC.
- un modèle préopératoire fondé sur les données cliniques de base ;
- un modèle postopératoire incluant les alertes et variables issues de l’application.
Adresse
Avenue du Champ de Mars, 22
7000 Mons, Belgium
7000 Mons, Belgium
