Impact de l’évolution du statut nutritionnel durant l’attente d’une transplantation pulmonaire sur la mortalité postopératoire

Cette étude vise à évaluer l’impact de l’état nutritionnel et de son évolution durant l’attente d’une transplantation pulmonaire sur la mortalité et la morbidité postopératoire. Nous avons examiné les 209 dossiers de patients greffés pulmonaires au Programme de Transplantation Pulmonaire du CHUM entre 2000 et 2007 et regardé la mortalité et les complications post-transplantation en fonction de l’IMC, des apports protéino-énergétiques, de certains paramètres biochimiques et selon l’évolution pondérale durant la période d’attente. Les résultats montrent que la mortalité augmente en fonction de l’augmentation des strates d’IMC avec un risque relatif de décès au cours du séjour hospitalier de 3,31 (IC95% 1,19-9,26) pour un IMC 25-29,9 et de 8,83 (IC95% 2,98-26,18) pour un IMC ≥ 30 avec une issue postopératoire plus sombre en terme de complications chirurgicales (p=0,003), de durée de séjour aux soins intensifs (p=0,031) et de durée de séjour à l’hôpital (p<0,001) chez les patients avec IMC ≥ 30 comparativement aux patients de poids normal. Les patients ayant présenté une évolution inadéquate de l’IMC durant la période d’attente ont connu une durée de séjour hospitalier prolongée (p=0,015). Ceux dont les apports nutritionnels étaient sous-optimaux en pré-greffe ont aussi connu une durée de séjour hospitalier prolongée (p=0,002) et davantage de complications infectieuses (p=0,038), digestives (p=0,003) et chirurgicales (p=0,029) mais sans impact détectable sur la mortalité. Nos résultats suggèrent que l’obésité et l’embonpoint ainsi qu’une évolution inadéquate de l’IMC durant la période d’attente de même que des apports protéino-énergétiques sous-optimaux affectent négativement l’issue d’une transplantation pulmonaire.

Modified Large Margin Nearest Neighbor Metric Learning for Regression

The main objective of this letter is to formulate a new approach of learning a Mahalanobis distance metric for nearest neighbor regression from a training sample set. We propose a modified version of the large margin nearest neighbor metric learning method to deal with regression problems. As an application, the prediction of post-operative trunk 3-D shapes in scoliosis surgery using nearest neighbor regression is described. Accuracy of the proposed method is quantitatively evaluated through experiments on real medical data.