Intelligence artificielle Prédire la mortalité et la durée du séjour en unité de soins...

Pour approfondir le sujet

Sur le même thème :

Des chercheurs développent une IA pour aider les médecins à trouver les informations pertinentes au sein des dossiers électroniques

Les médecins ont de plus en plus recours aux dossiers électroniques pour y trouver des informations les orientant sur le meilleur traitement à proposer...

Des chercheurs de l’EPFL proposent une plateforme ouverte pour la gestion des données chimiques

Les laboratoires de chimie génèrent une quantité importante de données. Cependant, une partie d'entre elles l'est encore sous format papier et reste difficilement accessibles...

Accélérer le diagnostic du rhumatisme psoriasique grâce à l’intelligence artificielle

Les symptômes du rhumatisme psoriasique sont peu spécifiques, semblables à ceux d'autres formes de rhumatismes inflammatoires chroniques. Cependant, le diagnostiquer précocement permet de soulager la...

Formation Microsoft Azure : se former au Data Engineering sur le cloud de Microsoft

Vous souhaitez devenir Cloud Data Engineer sur Microsoft Azure ? Découvrez tout ce que vous devez savoir dans ce guide. Qu’est-ce qu’un Cloud Data Engineer? Un...

Prédire la mortalité et la durée du séjour en unité de soins intensifs grâce au machine learning

Les unités de soins intensifs (USI) assurent une continuité des soins et une surveillance continue aux patients atteints de maladies graves. Une équipe de chercheurs de la Chiba University Graduate School of Medicine a mené une recherche visant à étudier la précision prédictive de la mortalité et de la durée du séjour des patients admis en USI à l’aide du machine learning. Leur étude intitulée « Prediction algorithm for ICU mortality and length of stay using machine learning » a été publiée dans Nature le 28 juillet dernier.

Shinya Iwase, Taka-aki Nakada, Tadanaga Shimada, Takehiko Oami, Takashi Shimazui, Nozomi Takahashi, Jun Yamabe, Yasuo Yamao, Eiryo Kawakami de l’université japonaise Chiba University Graduate School of Medicine, sont les auteurs de cette étude. L’objectif était d’étudier la précision prédictive de la mortalité et de la durée du séjour des patients admis en USI mais également d’identifier les variables contribuant à la prédiction ou à la classification précises des patients. La plupart des études existantes ne portaient que sur la mortalité.

Les données de l’étude

Les chercheurs ont mené cette étude de cohorte rétrospective à l’aide des données des dossiers de santé électroniques établis à l’admission de 12 747 patients à l’unité de soins intensifs de l’hôpital universitaire de Chiba, au Japon, de novembre 2010 à mars 2019.

Pour développer les algorithmes de prédiction, les données de 91 variables d’entrée ont été collectées, le plus tôt possible après l’admission et au plus tard, dans les 24 heures, à partir du système de données de l’USI.

Ces variables comprenaient :

  • Les caractéristiques du patient (âge, sexe, taille, poids, groupe sanguin, catégories de services cliniques, diagnostic à l’admission, voie d’admission : de la salle d’urgence, du service général, de la salle d’opération, autres hôpitaux) et les comorbidités (syndrome d’immunodéficience acquise, leucémie myéloïde aiguë/myélome multiple, insuffisance cardiaque, lymphome, insuffisance respiratoire, métastases cancéreuses, insuffisance hépatique/cirrhose, état immunodéprimé et dialyse);
  • Les tests sanguins (formule sanguine complète, biochimie, coagulation et analyse des gaz du sang);
  • Les mesures physiologiques (HR, pression artérielle, fréquence respiratoire, saturation périphérique en oxygène ainsi que la température corporelle.

Les données numériques avec un taux d’entrée inférieur à 50 % n’ont pas été utilisées pour les prédictions.

Grâce aux variables d’admission de la cohorte de formation, l’aire sous la courbe (ASC) a été analysée dans la cohorte de test pour évaluer la précision prédictive des classificateurs d’apprentissage automatique supervisés, y compris la forêt aléatoire (RF) pour les résultats (le critère de jugement principal étant la mortalité, le critère de jugement secondaire, la durée du séjour en USI). Le classement des variables qui ont contribué à la prédiction de l’apprentissage automatique a été confirmé, et une analyse en grappes des patients présentant des facteurs de risque de mortalité a été effectuée pour identifier les variables importantes associées aux résultats pour les patients.

L’apprentissage automatique utilisant la forêt aléatoire a révélé une valeur prédictive élevée pour la mortalité, avec une ASC de 0,945 (intervalle de confiance à 95% 0,922-0,977). En outre, la RF a montré une valeur prédictive élevée pour les courts et longs séjours en USI, avec des ASC de 0,881 (IC à 95 % 0,876-0,908) et 0,889 (IC à 95 % 0,849-0,936), respectivement.

La lactate déshydrogénase (LDH) a été identifiée comme une variable contribuant à la prédiction précise dans l’apprentissage automatique pour la mortalité et la durée du séjour en USI mais aussi comme une variable contributive à la classification des patients en sous-populations en fonction de différents facteurs de risque de mortalité.

Les conclusions de l’étude

Pour les chercheurs, leur étude présente plusieurs limites. Etant donné qu’il s’agissait d’une étude rétrospective monocentrique, l’exactitude de la prédiction devrait être validée dans une future étude prospective. D’autre part, un calendrier incohérent de prélèvement d’échantillons chez les patients pourrait potentiellement affecter la précision des prédictions. De plus, la prédiction de la durée du séjour en soins intensifs était conditionnelle à la survie. Pour finir, la prédiction a été effectuée sur la base de données recueillies à un seul moment de l’admission.

La prédiction en temps réel pourrait être utile pour améliorer la précision de la prédiction de la mortalité en USI et de la durée du séjour des patients gravement malades dont l’état est sujet à des changements brusques. Des enquêtes futures utilisant des données séquentielles sont justifiées.

Néanmoins, cette étude a permis de démontrer que l’algorithme d’apprentissage automatique pourrait prédire la mortalité en USI et la courte / longue durée du séjour en USI avec une grande précision. De plus, la LDH s’est avérée être une variable clé prédisant à la fois la mortalité et la durée du séjour, et a contribué au regroupement des patients en soins intensifs en fonction du risque de mortalité.

Sources de l’article :

« Prediction algorithm for ICU mortality and length of stay using machine learning », Nature, 28/07/2022. https://www.nature.com/articles/s41598-022-17091-5

Auteurs : Shinya Iwase, Taka-aki Nakada, Tadanaga Shimada, Takehiko Oami, Takashi Shimazui, Nozomi Takahashi, Jun Yamabe, Yasuo Yamao, Eiryo Kawakami.


1ère Marketplace de l'IA et de la transformation numérique vous recommande :
 
Thierry Maubant

Partager l'article

META AI dévoile BlenderBot 3, un projet de recherche sur l’IA conversationnelle

Après avoir présenté BlenderBot en 2020, la mouture BlenderBot 2.0 en 2021, META a dévoilé BlenderBot 3 le 5 août dernier. Comme pour ses...

Reconnaissance faciale : la plateforme « From Numbers to Name » aide à identifier les victimes de l’Holocauste

Le deep learning est aujourd'hui utilisé dans de nombreux domaines, il l'est de plus en plus dans celui de l'histoire. Daniel Patt, un ingénieur...

Lancement de l’appel à candidatures de la phase V des pôles de compétitivité

Alors que la phase IV (2019-2022) des pôles de compétitivité prendra fin en décembre 2022, Bruno Le Maire, Ministre de l’Economie, des Finances et...

Focus sur SMART, programme de l’IARPA visant à identifier et surveiller les constructions à grande échelle grâce au machine learning

L'IARPA (Intelligence Advanced Research Projects Activity), la branche de recherche de la communauté du renseignement aux Etats-Unis, a lancé le programme SMART (Space-based Machine...
Recevoir une notification en cas d'actualité importante    OK Non merci