L'IA pour prédire les soins intensifs pour les patients atteints de COVID-19

L’IA pour prédire les soins intensifs pour les patients atteints de COVID-19

Accueil » Psychologie » Troubles mentaux » Enfant » L’IA pour prédire les soins intensifs pour les patients atteints de COVID-19

La pandémie de COVID-19 a porté un coup dur aux systèmes de santé et a mis en lumière leurs principales lacunes. En juin 2023, il y avait plus de 760 millions de cas confirmés de COVID-19, avec près de 7 millions de décès dans le monde. Lors des principales épidémies de COVID-19, les hôpitaux ont souvent fait fonctionner leurs unités de soins intensifs (USI) à pleine capacité pour fournir une ventilation mécanique invasive aux patients diagnostiqués positifs au COVID-19. Ces unités de soins intensifs fonctionnaient souvent avec un personnel et un équipement d’intubation insuffisants.

Une façon d’atténuer ces problèmes consiste à prédire avec précision le pronostic des patients dont le test est positif au COVID-19. Les médecins utilisent généralement des images de radiographie pulmonaire (CXR) pour évaluer l’état des patients. En analysant les signes de pneumonie sur ces images, ils peuvent déduire si le patient devra probablement être prochainement admis à l’USI. En retour, cela peut contribuer à une allocation optimale des ressources hospitalières. Malheureusement, ce processus demande beaucoup de travail, prend du temps et souffre de la variabilité des diagnostics, ce qui constitue un problème majeur, en particulier lors d’épidémies importantes.

Et si l’intelligence artificielle (IA) nous donnait un coup de main ? Dans une étude récente publiée dans le Journal d’imagerie médicaleune équipe de chercheurs du Département de radiologie de l’Université de Chicago a développé un modèle basé sur l’apprentissage profond qui peut prédire si un patient aura besoin de soins intensifs en analysant ses images CXR.

L’une des caractéristiques déterminantes de l’approche proposée était l’utilisation d’une technique appelée « apprentissage par transfert ». Le développement de modèles d’apprentissage profond pour les applications d’imagerie médicale est particulièrement difficile en raison de la grande quantité de données annotées requises pour la formation. Ainsi, au lieu de former un modèle à partir de zéro avec des millions d’images, on peut utiliser l’apprentissage par transfert pour transmettre des connaissances d’un modèle pré-entraîné à un autre modèle.

L’idée est d’affiner le modèle de réception à l’aide d’un ensemble de données dédié afin que « l’expertise » du modèle précédent puisse être exploitée pour une nouvelle tâche. Par exemple, grâce à l’apprentissage par transfert, un modèle entraîné à détecter une maladie spécifique dans des images par résonance magnétique peut servir de base à un autre modèle visant à détecter une maladie différente.

En utilisant cette stratégie, les chercheurs ont utilisé un processus d’apprentissage par transfert séquentiel pour développer leur modèle final. Ils ont d’abord affiné un grand modèle, pré-entraîné sur ImageNet avec 1,2 million d’images naturelles, en utilisant des images CXR provenant d’un ensemble de données des National Institutes of Health pour détecter 14 maladies différentes. Après cela, les chercheurs ont affiné ce modèle en utilisant un ensemble de données de la Radiological Society of North America pour détecter la pneumonie. Enfin, ils l’ont affiné à l’aide d’un ensemble de données internes, contenant 6 685 images CXR de 3 998 patients atteints de COVID-19.

Le modèle d’IA développé pourrait prédire avec un bon degré de précision si un patient atteint de COVID-19 aurait besoin de soins intensifs dans les 24, 48, 72 et 96 heures suivant l’examen CXR. Dans un ensemble de tests internes indépendants (1 672 images CXR provenant de 1 048 patients), il a atteint une aire sous la courbe caractéristique de fonctionnement du récepteur de 0,78 lors de la prévision du besoin de soins intensifs 24 heures à l’avance, et d’au moins 0,76 pendant 48 heures ou plus. , les patients identifiés par le modèle comme présentant un risque élevé étant presque cinq fois plus susceptibles de nécessiter des soins intensifs. Il est intéressant de noter que les performances du modèle proposé étaient comparables à celles de modèles existants similaires, même s’il reposait uniquement sur des images CXR au lieu d’une combinaison d’images et de données cliniques.

Globalement, ce modèle pourrait combler une lacune importante dans la pratique clinique. Alors que de nombreux modèles d’apprentissage automatique ont été développés pour diagnostiquer le COVID-19, rares sont ceux qui ont été conçus pour prédire le pronostic des patients. Le modèle proposé pourrait toutefois jouer un rôle essentiel dans le soutien à la prise de décision clinique et à la gestion des ressources, ce qui améliorerait à son tour la qualité des soins reçus par les patients.

Notamment, les chercheurs travaillent déjà à l’amélioration de ce modèle de diverses manières. Celles-ci incluent la formation du modèle avec des images CXR recueillies dans plusieurs institutions, l’incorporation de variables cliniques pertinentes dans le modèle, l’extension du modèle pour inclure les opacités pulmonaires causées par des maladies associées et l’ajout d’étapes de segmentation et de prétraitement d’images.

Publications similaires