Introduction : La prévention de l’encéphalopathie anoxo-ischémique (EAI) pendant le travail est une préoccupation majeure en salle de naissance. Une acidose néonatale sévère est un des critères pour définir une asphyxie foetale. Elle est associée à un risque de lésions cérébrales. Actuellement les moyens de surveillance pendant le travail ne permettent pas de dépister correctement ces situations à risque d’hypoxie et/ou de lésions cérébrales. L’analyse de la variabilité de la fréquence cardiaque (VFC) foetale semble être une piste intéressante pour le dépistage de ces situations. Notre équipe a développé un marqueur d’analyse de la VFC, le Fetal Stress Index (FSI). L’objectif de ce travail était en première partie d’évaluer l’utilisation des différents marqueurs du rythme cardiaque foetal dans des systèmes automatisés (machine learning) pour mieux prédire l’acidose foetale, et en deuxième partie d’évaluer l’utilisation de la VFC dans le dépistage des lésions d’EAI.Matériel et Méthodes : Nous avons réalisé une étude expérimentale chez le foetus de brebis à terme. Des occlusions du cordon ombilical totales (OCT) répétées étaient réalisées selon différentes phases (phase A, B et C) pour obtenir une acidose foetale sévère. Les paramètres hémodynamiques, l’ECG et les gaz du sang étaient analysés. L’ECG permettait l’analyse des paramètres de la VFC. Le gold standard utilisé pour classer l’hypoxie était le pH artériel foetal (pH<7,10). Une analyse anatomopathologique des cerveaux des foetus de brebis était réalisée 48h après les manipulations pour l’évaluation des lésions cérébrales. Les méthodes statistiques de machine learning utilisées pour le dépistage de l’acidose étaient la régression logistique et les arbres décisionnels. L’association entre les lésions cérébrales et les différents paramètres était étudiée selon les différentes phases d’occlusion à l'aide d'un test rho de Spearman.Résultats : 21 agneaux ont été instrumentés. 132 couples analyse du rythme cardiaque foetal / pH foetal ont été obtenus dont 29 dans le groupe acidose et 103 dans le groupe non acidose. Un modèle de régression logistique, avec une sélection « backward » des variables, permettait d’obtenir une AUC de 0.73 avec une sensibilité à 0,59 et une spécificité à 0,83. Par cette méthode, seule la variable FSI était sélectionnée. Aucun seuil permettant de prédire l’acidose n’a pu être déterminé. En utilisant les arbres décisionnels, on obtenait une spécificité de 0,96 à 0,99 et une sensibilité de 0,56 à 0,59. La première variable sélectionnée pour classer les enregistrements en acidose ou non acidose était le FSI.Dans la seconde partie du travail, 9 cerveaux ont été analysés. Des lésions cérébrales d’EAI étaient présentes chez 7/9 foetus avec des lésions du tronc cérébral observées chez 3/9 foetus. Le FSI, la variabilité à long terme (VLT) et la variabilité à court terme (VCT) étaient significativement corrélés au nombre de lésions du tronc cérébral en phase C pour le FSI (r=-0,784 ; p=0,021) et en phase B pour la VLT (r=-0,677 ; p=0,045) et la VCT (r=-0,837 ; p=0,005). On retrouvait une corrélation significative entre les lésions cérébrales et les variations de pression artérielle moyenne durant les occlusions. Il n'y avait pas de corrélation significative entre les lésions cérébrales et les autres marqueurs de la VFC ainsi qu’avec les marqueurs gazométriques dont le pH.Conclusion : Les modèles de machine learning ne semblaient pas améliorer le dépistage de l’acidose foetale. Les variables principales sélectionnées automatiquement dans ces modèles étaient celles de la VFC dont le FSI comme variable d’entrée dans les modèles. L’acidose foetale n’était pas corrélée aux lésions d’EAI. Seuls certains paramètres de la VFC (FSI, VCT, VLT) étaient corrélés aux lésions d’EAI. Ainsi la VFC ne permettrait pas une bonne prédiction de l’acidose foetale mais permettrait le dépistage des situations à risque d’EAI.