Optimiser le calendrier de traitement du sepsis avec un modèle d'apprentissage automatique

Optimiser le calendrier de traitement du sepsis avec un modèle d’apprentissage automatique

Accueil » Psychologie » Troubles mentaux » Enfant » Optimiser le calendrier de traitement du sepsis avec un modèle d’apprentissage automatique

Selon les chercheurs, un nouveau modèle d’apprentissage automatique qui estime le moment optimal du traitement de la septicémie pourrait ouvrir la voie à des outils de soutien qui aident les médecins à personnaliser les décisions de traitement au chevet du patient.

Dans un article publié dans Intelligence des machines naturellesdes scientifiques de l’Ohio State University décrivent le nouveau modèle, qui utilise l’intelligence artificielle pour résoudre la question complexe de savoir quand administrer des antibiotiques aux patients suspects de septicémie.

Le temps presse, car la septicémie, la réponse écrasante de l’organisme à une infection, peut rapidement entraîner une défaillance des organes. Et pourtant, ses symptômes – fièvre, hypotension artérielle, accélération du rythme cardiaque et problèmes respiratoires – peuvent ressembler à de nombreuses autres affections. Les directives fédérales appellent à un traitement rapide avec des antibiotiques à large spectre comme première ligne de défense – une stratégie qui nécessite généralement une action avant que des cultures confirmant une infection bactérienne puissent être obtenues auprès d’un laboratoire.

Le modèle a été conçu pour tenir compte de ces incertitudes et de ces contraintes de temps.

Les chercheurs ont testé les performances du modèle en utilisant des informations sur les patients en soins intensifs provenant d’une base de données américaine et d’une base de données européenne, en comparant les résultats chez les patients dont le traitement réel correspondait au calendrier de traitement recommandé par le modèle aux résultats pour les patients dont le traitement réel avait différé de ce que le modèle aurait recommandé sur la base sur leurs signes vitaux, les résultats de laboratoire et les données démographiques liées au risque. La mesure représentant le résultat était la survie du patient 30 et 60 jours après le traitement du sepsis.

“Nous avons montré que lorsque le traitement réel et l’intelligence artificielle sont d’accord, nous avons un taux de mortalité plus faible. S’ils ne sont pas d’accord, le taux de mortalité peut atteindre 25%”, a déclaré l’auteur principal Ping Zhang, Ph.D., professeur adjoint d’informatique et d’ingénierie et d’informatique biomédicale à l’Ohio State.

Le modèle a été formé et validé sur un ensemble de données obtenu à partir d’une base de données accessible au public, appelée MIMIC-III. Le modèle a été testé sur différentes parties de MIMIC-III et sur un nouvel ensemble de données externes d’AmsterdamUMCdb.

Les mesures clés de près de 14 000 personnes atteintes de septicémie comprenaient des changements dans les signes vitaux des patients et les résultats des tests de laboratoire au fil du temps – servant d’indicateurs de la gravité de la maladie et du type d’infection – et une méthode innovante conçue pour comparer les résultats pour les patients qui ont reçu et n’ont pas reçu d’antibiotiques à un moment précis.

“Nous voulons que la modélisation prédise s’il est bénéfique d’utiliser des antibiotiques à un moment donné, oui ou non. Mais nous ne saurons jamais ce qui se passera si nous ne donnons pas l’antibiotique. Nous avons donc appliqué un concept d’essai clinique à ce modèle : Pour chaque patient qui avait pris le médicament, nous avons inclus un patient apparié, cliniquement similaire, qui n’avait pas pris d’antibiotiques à ce moment-là », a déclaré Zhang, qui dirige le laboratoire d’intelligence artificielle en médecine et est également membre du corps professoral de l’Ohio State’s Translational Institut d’analyse de données.

“De cette façon, nous pouvons prédire le résultat contrefactuel et former le modèle de traitement contrefactuel pour déterminer si le traitement de la septicémie fonctionne ou non.”

La septicémie contribue à plus d’un tiers des décès à l’hôpital et est observée le plus souvent dans les unités de soins intensifs et les services d’urgence, “où nous prenons souvent des décisions sans l’étalon-or – résultat d’une culture”, a déclaré l’étude co- auteur Katherine Buck, MD, professeur adjoint de médecine d’urgence au Collège de médecine et directeur du service d’urgence gériatrique au Ohio State Wexner Medical Center. “Tous les patients qui répondent aux critères de sepsie n’ont pas la preuve d’une infection bactérienne.”

Les antibiotiques ne sont pas sans risques : ils peuvent être toxiques pour les reins, provoquer une réaction allergique ou conduire à C. difficile, une infection qui provoque une diarrhée sévère et une inflammation du côlon.

“Ce que cet article commence à faire, c’est, pouvons-nous utiliser les informations disponibles pour les cliniciens, parfois au premier plan et parfois non, pour dire, les choses changent d’une manière qui suggère que le patient bénéficiera des antibiotiques”, a déclaré Buck. “Un outil d’aide à la décision pourrait dire aux cliniciens si cela correspond à ce que nous pensons déjà ou nous inciter à nous demander ce qui nous manque. Espérons qu’avec le temps, toutes les données des dossiers de santé électroniques dont nous disposons révéleront des signaux – et à partir de là il s’agit de déterminer comment les utiliser et comment les transmettre aux cliniciens.”

Ces informations – et la disponibilité des données des dossiers de santé électroniques – étaient importantes pour alimenter le modèle avec le bon type de données et le concevoir pour prendre en compte les multiples considérations qui accompagnent l’évolution des circonstances médicales, a déclaré Zhang.

“Nous avons modélisé le dossier du patient comme si c’était un langage”, a-t-il déclaré. “Et pour l’apprentissage automatique, nous formons toujours le modèle lot par lot. Vous avez besoin du modèle pour analyser le modèle de données, définir des paramètres et, sur la base de ces paramètres, ajouter un autre ensemble de données de formation pour apporter des améliorations. Et puis la machine trouve toujours mieux paramètres pour s’adapter au modèle.

Une mesure clé utilisée pour guider la manière dont le modèle parvient à une recommandation est le score d’évaluation séquentielle des défaillances d’organes (SOFA), qui est utilisé pour évaluer régulièrement les performances des systèmes d’organes d’un patient en soins intensifs sur la base des résultats de six tests de laboratoire. Les chercheurs ont mené des exemples d’études de cas pour démontrer à quoi pourrait ressembler une interface développée pour le cadre clinique, montrant comment les scores SOFA changent lorsque le modèle ajuste le calendrier de traitement recommandé en fonction des modifications apportées aux données personnalisées des patients.

“Notre article est le premier à utiliser l’IA pour poursuivre une recommandation d’antibiotiques pour la septicémie, en utilisant des données du monde réel pour aider à la prise de décision clinique”, a déclaré Zhang. “Toute recherche comme celle-ci nécessite une validation clinique – il s’agit de la phase un pour l’analyse rétrospective des données, et la phase deux impliquera une collaboration homme-IA pour de meilleurs soins aux patients.”

★★★★★

A lire également