[ad_1]
Les reins subissent des lésions aiguës chez un patient sur cinq dans des hôpitaux américains. Il s'agit d'une affection courante chez les patients hospitalisés car elle peut être provoquée par un certain nombre de facteurs, notamment une pression artérielle ou un volume sanguin anormaux. Mais la capacité de prédire si ou quand une lésion rénale aiguë va survenir est limitée. Pour les personnes à haut risque de développer cette maladie, l'approche clinique standard consiste à évaluer quotidiennement les résultats de leurs tests de laboratoire, y compris la concentration de créatinine dans leur sang, car des concentrations élevées de cette molécule sont un signe distinctif des problèmes rénaux.
, Tomašev et al. rapportent qu'une approche faisant appel à l'intelligence artificielle permet d'identifier une lésion rénale aiguë imminente, pour la plupart des patients, un ou deux jours avant que la maladie ne soit diagnostiquée à l'aide de tests cliniques standard. Les lésions rénales ne sont généralement détectées qu'à un stade avancé, lorsque des lésions irréversibles sont susceptibles d'entraîner la mort ou la nécessité d'une dialyse temporaire ou prolongée. Pouvoir attraper la maladie de manière précoce constituerait un grand pas en avant pour permettre un traitement efficace.
Dans la méthode d'intelligence artificielle appelée apprentissage en profondeur, un algorithme est développé pour identifier les modèles dans les données associés à un résultat d'intérêt – dans ce cas, le développement d'une lésion rénale aiguë. Les auteurs ont utilisé cette approche sur des données collectées entre 2011 et 2015 auprès de plus de 700 000 adultes traités dans 172 hôpitaux et 1 062 cliniques de consultations externes gérées par le Département américain des anciens combattants – un fournisseur de soins de santé destiné aux militaires et à leurs familles. Les informations anonymisées ont fourni aux auteurs des données sur ces personnes, notamment les données démographiques, les dossiers de santé électroniques, les résultats des tests de laboratoire, les médicaments prescrits et les enregistrements des procédures suivies. Tomašev et ses collègues ont utilisé ces données cumulatives pour former leur ordinateur en effectuant une analyse chronologique d'environ 6 milliards de points de données et de plus de 600 000 fonctions enregistrées. Ils ont choisi une méthode d'apprentissage en profondeur appelée réseau de neurones récurrents, idéale pour évaluer les entrées de données séquentielles obtenues au fil du temps.
Les auteurs ont testé le système en utilisant des données relatives à des patients individuels qui avaient été réservées à cette fin. Ils ont obtenu des valeurs de probabilité générées par ordinateur qui traçaient en permanence la probabilité qu’un individu développe une lésion rénale aiguë au cours des 48 prochaines heures. Si la probabilité dépassait une valeur seuil, la prédiction était considérée comme positive (Fig. 1). Le fait de vérifier si l'état de santé du patient avait été diagnostiqué par la suite révélait l'exactitude de la prédiction. Le modèle des auteurs donnait également une indication du niveau d’incertitude de la valeur de probabilité, permettant ainsi à un médecin d’évaluer la force du signal prédictif.
L’approche de Tomašev et de ses collègues est plus précise que d’autres méthodes statistiques ou d’apprentissage automatique proposées pour identifier les lésions rénales imminentes.,. Comme on pouvait s’y attendre, l’exactitude des prédictions du système des auteurs était la plus élevée pour les personnes hospitalisées, où les lésions rénales aiguës sont plus fréquentes, se manifestent plus rapidement et se produisent dans un laps de temps plus court que celui des cliniques externes. Pour tous les patients et pour tous les types de lésions rénales aiguës, y compris les formes moins sévères, la précision du système était de 56%. Les prévisions de succès pour les formes les plus graves de la maladie étaient de 84% et 90% pour les personnes qui ont ensuite nécessité un traitement de dialyse dans les 30 et 90 jours, respectivement. La précision du modèle était similaire dans les différents sites de soins de santé et tout au long de la période étudiée.
Les auteurs ont utilisé une méthode appelée analyse par ablation pour déterminer les facteurs liés au risque de développer une lésion rénale aiguë. Ils ont trouvé de nombreux facteurs contributifs, ce qui pourrait expliquer pourquoi essayer de déterminer ce risque était une tâche ardue dans le passé.
La prise en compte du cas d'un patient hypothétique (Fig. 1) souligne l'utilité potentielle du système développé par Tomašev et ses collègues. Les valeurs quotidiennes de créatinine de ce patient n’ont donné aucune indication de lésion rénale aiguë avant leur quatrième jour d’hospitalisation. En revanche, le système des auteurs prédit des dommages aux organes deux jours plus tôt, ce qui laisse plus de temps pour les interventions thérapeutiques, telles que l’augmentation de la consommation de liquides du patient ou l’absence de médicaments pouvant causer une toxicité rénale.
Cependant, le système des auteurs a généré de nombreuses prédictions «fausses positives» – prédictions de blessures qui ne se sont pas produites. Pour chaque prédiction précise, il y avait deux faux positifs. La plupart d'entre elles sont survenues chez des personnes atteintes d'une maladie rénale chronique, ce qui rendrait plus difficile la prédiction d'une lésion rénale aiguë superposée.
Le travail des auteurs est limité par le fait qu’il s’agit d’une étude rétrospective. Il existe des exemples d’utilisation de l’intelligence artificielle dans des études rétrospectives de données médicales dans lesquelles la précision du modèle a décliné lorsqu’elle a été testée de manière prospective.. De tels déclins sont probablement dus au fait qu’il est plus compliqué de traiter des données dans un environnement clinique réel que de traiter avec une ressource de données préexistante «nettoyée».
Les études prospectives sont essentielles pour déterminer la véritable valeur clinique d'un système prédictif. De plus, une prédiction réussie n'est pas le seul facteur à évaluer. Une façon de déterminer si ces avertissements prédictifs entraînent une réduction du nombre de lésions rénales aiguës consiste à effectuer un essai clinique utilisant un schéma randomisé, dans lequel seule la moitié des prévisions de lésions imminentes est transmise aux médecins. Le modèle des auteurs doit également être testé pour déterminer son efficacité chez d’autres groupes de patients. De plus, moins de 7% du groupe d’étude de Tomašev et ses collègues étaient des femmes. La capacité du modèle à prédire les lésions rénales aiguës diffère-t-elle en fonction du sexe nécessite donc une enquête plus approfondie.
Bien que le système des auteurs comprenne une variété de types de données, d’autres sources de données pourraient également être utiles pour l’inclusion. Par exemple, il est possible que des notes écrites dans les dossiers médicaux, ou une surveillance continue des signes vitaux, tels que la fréquence cardiaque, de capteurs portables, fournissent des informations pertinentes.
Pour les patients qui ne sont pas dans une unité de soins intensifs, la surveillance standard consiste à prendre leurs signes vitaux une fois par jour. Cependant, trop souvent, les visites quotidiennes chez le médecin peuvent révéler un patient soudainement gravement malade. L’étude de Tomašev et ses collègues montre l’avantage de pouvoir anticiper les dommages graves aux organes bien avant qu’ils ne se produisent. La plupart des études prédictives utilisant l'intelligence artificielle dans un contexte clinique étaient auparavant axées sur les résultats pour les patients, tels que les décès, les réadmissions ou le temps passé à l'hôpital.. Le travail de Tomašev et al. se distingue en fournissant une prédiction qui pourrait permettre une intervention clinique efficace.
Le recours à l'apprentissage en profondeur est très prometteur pour alerter les médecins des préoccupations concernant tout organe. Sa mise en œuvre nécessitera probablement un changement de mentalité médicale. Mais passer de tests peu fréquents et ponctuels à une plus grande confiance dans des systèmes permettant une évaluation continue pourrait fournir un meilleur moyen de prédire ce qui nous attend pour un patient.
Intérêts financiers concurrents
E.J.T. est membre du conseil consultatif Verily.
[ad_2]