Validation par des mesures d’actimétrie tridimensionnelle d’un algorithme prédictif de l’inactivité excessive chez les patients BPCO

Les patients atteints de BPCO ont une activité physique quotidienne très nettement diminuée en comparaison de sujets appariés. Par ailleurs la sévérité de l’inactivité est corrélée à plusieurs indices pronostiques tels que la fréquence des exacerbations, la qualité de vie et la mortalité. Ces constats conduisent à recommander, une activité physique dans le cadre de programmes de réhabilitation médicalement supervisés et/ou en incitant les patients à participer à des programmes de promotion de l’activité physique. Pourtant, malgré les bénéfices établis, on estime que cette prise en charge de réadaptation ne concerne en réalité que 10% des patients qui devraient en bénéficier. Parmi les causes diverses de cette situation, la sous-estimation de l’inactivité excessive (EI) par les pneumologues est une des causes de ce déficit de prise en charge. Actuellement, seule l’actimétrie permet d’évaluer avec précision le niveau d’activité physique du patient. Pour alerter les pneumologues sur cette situation excessive justifiant une prise en charge prioritaire, sans avoir recours à l’actimétrie, un algorithme de Machine Learning prédictif d’EI, basé sur les données cliniques de la consultation digitale Colibri-BPCO a été élaboré. L'aCCPP souhaite désormais pouvoir valider cet algorithme en s'appuyant sur le Gold standard qu'est l'actimétrie.

Quelles sont les données utilisées pour cette recherche ?

D’où proviennent les données mobilisées pour cette recherche ?

Comment se déroule la recherche ?

Pourquoi la recherche est-elle légale ?