Suzzi, Chiara
[Author]
;
Université de Montpellier (2022-.)
[Contributor];
Universitat de Valencia (Espagne)
[Contributor];
Captier, Guillaume
[Contributor];
Marco Algarra, Jaime
[Contributor];
Miragall Alba, Luis Vicente
[Contributor]
Prise en charge et traitement personnalisé de l'insuffisance vélo-pharyngée par lipostructure du pharynx ; The autologous fat transplantation for the personalised tailored care and surgical treatement of velopharyngeal incompetence ; El tratamiento personalizado de la insuficiencia velofaringea mediante injerto a diposo autologo de la faringe
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Prise en charge et traitement personnalisé de l'insuffisance vélo-pharyngée par lipostructure du pharynx ; The autologous fat transplantation for the personalised tailored care and surgical treatement of velopharyngeal incompetence ; El tratamiento personalizado de la insuficiencia velofaringea mediante injerto a diposo autologo de la faringe
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
La chirurgie de l’insuffisance vélopharyngée (IVP) est une chirurgie fonctionnelle sur mesure qui nécessite d’une coordination multidisciplinaire. Les pharyngoplasties actives ont le but d’avancer la paroi postérieure à travers un ou deux lambeaux pharyngiens, avec de complications assez importantes. En complétant le comblement naturel qui offre le bourrelet de Passavant, les pharyngoplasties passives représentent des alternatives moins invasives pour les patients avec contre-indications ou avec une IVP modérée. Comme toute chirurgie fonctionnelle, le résultat est strictement corrélé à la bonne indication, décision qui dépend de l’intégration de beaucoup des variables et compliquée par le manque de consensus dans la littérature. OBJECTIF: L’objectif de cette thèse est d’aider la prise de décision chirurgicale adaptée, pour construire des plans chirurgicaux personnalisés à travers l’analyse mathématique des variables. METHODOLOGIE: Une étude rétrospective observationnelle a été réalisée sur 244 patients consécutifs opérés dans un seul pôle hospitalier de troisième niveau entre 1982 et 2019. Nous avons utilisé d’abord les méthodes statistiques traditionnelles (régression logistique et linéaire, score de propension et analyse marginale). Ces méthodes nécessitent d’un grand nombre de données cliniques pour garantir des résultats reproductibles et significatifs. D’autre côté l’analyse statistique sur grands échantillons dépersonnalise les résultats en oubliant la spécificité du sujet unique. Pour résoudre ce problème nous avons exploré les frontières de l’intelligence artificielle avec techniques de machine learning (decision tree et interpret-ML Explainable Boosting Machine). L’analyse algorithmique utilise des modèles mathématiques plus complexes et parfois plus adhérentes à la réalité, en donnant des explications au niveau locale aussi. Le machine learning permet d’analyser en même temps des variables avec modalités différentes et leur donne une hiérarchisation d’importance utile à la priorisation de la décision. ...