Principal :

Etude descriptive des résultats post autogreffe

Principal : Identify intraoperative hemodynamic and respiratory outcomes associated with the occurrence of postoperative complications

Secondaires : Compare the differences in hemodynamic and respiratory outcomes according to the type of surgery: laparoscopic or laparotomy

Principal      

Notre objectif est de décrire les caractéristiques des patients atteints d’ADCP et de MC dans notre cohorte issue des patients traités à l’IPC.

Secondaires

- Décrire les caractéristiques des patients atteints d’ADCP et de MC issues de l'analyse de la littérature,

- Evaluer les résultats cliniques et survies de la population groupée des patients de la "cohorte IPC" et de la "littérature".

Le critère d’évaluation principale sera la consommation de morphinique dans les 72h post chirurgie.

 Les critères de jugements secondaires seront la douleur maximale en post opératoire, la durée de reprise du transit, le recours à des vasopresseurs en per et post opératoire, la survenue de détresse respiratoire en per et post opératoire, le delais avant le premier lever, la survenue de complications post opératoire, la durée de séjour en réanimation et à l’hôpital, la mortalité à un mois, 3 mois et à un an. Nous nous intéresserons aussi au complication cardio vasculaire, à l’apparition d’insuffisance rénale et de trouble cognitif à un an.

Principal

L’objectif primaire : Evaluation de la survie globale (SG) et la survie sans progression (SSP)

Les objectifs secondaires :

Évaluation de la prise de greffe

La reconstitution hématologique

Mortalité non liée à la rechute (NRM)

Incidence de rechute

Incidence de GVH aigue

Incidence de GVH chronique

Survie sans progression été sans GVHD (GRFS)

Analyses univariées +/- multivariée (Type de donneur, source cellulaire, intensité du conditionnement, statut de la maladie à la greffe, score de comorbidité (sorror, age), pré traitement ou non.

Contexte :

Les cancers de la cavité buccale font partie des cancers les plus fréquents dans le monde et sont de pronostic défavorable. En France, pour l’année 2018, le nombre estimé de nouveaux cas de cancer de la cavité buccale était de 4 677 dont 3 106 chez les hommes et de 1 571 chez les femmes. La plupart des patients sont diagnostiqués à un stade avancé et il n’y a pas d’augmentation du taux de survie à 5 ans depuis plus de 30 ans. Les patients porteurs de lésions orales à potentiel malin (LOPM) ont une susceptibilité accrue de développer un cancer n'importe où dans leur bouche au cours de leur vie.

Une LOPM se définit comme « toute anomalie de la muqueuse buccale associée à un risque statistiquement accru de développer un cancer de la bouche ». La majorité de ces lésions orales peuvent ne pas évoluer vers un carcinome, mais elles constituent un champ d'anomalies dans lequel le développement d'un cancer est plus probable que sur une muqueuse cliniquement normale et plus probable que chez les patients ne présentant pas de tels troubles.

Une mise à jour de la classification des LOPM basée principalement sur leurs caractéristiques cliniques a été réalisée fin 2020. Les LOPM présentent un large éventail de caractéristiques cliniques, notamment des variations de couleur (blanc, rouge et mixte blanc rouge), des changements topographiques (plaque/plateau, lisse, ondulé, verruqueux, granuleux, atrophié) et peuvent être de taille variable.

Les LOPM peuvent concerner n'importe quel site anatomique de la cavité buccale et peuvent être uni- ou multifocales. Les LOPM ont une évolution clinique imprévisible : elles restent statiques ou peuvent progresser ou régresser en quelques mois.

Dans ce contexte, l’informatique et l’intelligence artificielle pourraient apporter une aide complémentaire au clinicien pour le dépistage précoce des cancers et pour le suivi des lésions orales à potentiel malin. Les photographies cliniques des lésions orales constituent des données médicales potentiellement exploitables par l’analyse des images avec les outils de l’intelligence artificielle.

Objectif principal : explorer cette base d’apprentissage conséquente en utilisant les derniers algorithmes de deep learning de la littérature. L’objectif de cette étude est de cibler les forces (volumétrie, annotation, etc.) et les faiblesses (biais potentiels, manque de données dans certaines classes, etc.) du dataset.

Objectifs secondaires : dans un second temps, différentes architectures de réseaux de neurones profonds seront développées, adaptées et testées sur le dataset. En particulier, nous testerons et optimiserons successivement les dernières architectures de réseaux profonds efficace dans la classification d’images.