Des chercheurs de l’Université Rutgers ont développé un modèle d’apprentissage automatique, PLABAC, pour prédire les cas graves de COVID-19 chez les patients hospitalisés. Utilisant l’âge des patients et les résultats de cinq tests de routine, ce modèle vise à améliorer le pronostic des patients et l’allocation des ressources hospitalières. Validé auprès de divers groupes de patients, PLABAC se distingue par sa précision et sa facilité d’utilisation, avec une intégration future dans les applications médicales et les dossiers de santé électroniques prévues.
Les chercheurs de Rutgers ont développé un outil d’apprentissage automatique conçu pour aider les hôpitaux à identifier les maladies graves COVID 19 cas. Cet outil exploite l’âge des patients et les données de cinq tests de routine pour prévoir la progression de la maladie à coronavirus.
Les créateurs pensent que ce modèle pourrait améliorer considérablement les soins aux patients hospitalisés avec le COVID-19, qui continue d’être l’une des principales causes de décès dans le pays.
Améliorer le pronostic des patients et l’allocation des ressources hospitalières
« Des pronostics précis sont extrêmement précieux », a déclaré Payal Parikh, professeur agrégé à la Robert Wood Johnson Medical School (RWJMS) et co-auteur du nouvel article dans la revue. mBio. « Ils permettent aux patients de comprendre ce qui les attend pendant qu’ils sont encore en assez bonne santé pour faire des choix de traitement éclairés. Ils permettent également aux hôpitaux d’allouer efficacement les ressources en anticipant les besoins des patients. De plus, avec un meilleur pronostic, nous pouvons commencer le traitement dès le début du processus de la maladie, ce qui conduit à de meilleurs résultats en matière de soins aux patients.
L’équipe Rutgers a commencé sa quête pour créer un modèle de pronostic COVID-19 avec un logiciel d’apprentissage automatique et les dossiers médicaux de 969 personnes hospitalisées avec le virus au début de la pandémie.
De l’analyse des données à l’application pratique
« Nous avons collecté un certain nombre de données sur chaque patient : résultats de laboratoire, données démographiques, signes vitaux, comorbidités et des dizaines d’autres », a déclaré David Natanov, étudiant de quatrième année au RWJMS et auteur principal de l’étude. «Nous avons pompé cela à travers une série de différents modèles d’apprentissage automatique adaptés à des paramètres légèrement différents et avons généré un modèle initial à 77 variables. Ce modèle a bien fonctionné, mais personne n’a le temps de saisir 77 points de données distincts dans quoi que ce soit.
Natanov a déclaré que les chercheurs ont utilisé divers outils analytiques pour identifier les 10 variables les plus prédictives associées à la maladie. Il a ensuite utilisé l’intelligence artificielle pour les examiner dans diverses combinaisons jusqu’à trouver deux modèles efficaces composés de six points de données (âge et résultats de cinq tests de laboratoire courants) collectés par chaque hôpital.
Présentation du modèle PLABAC
Les chercheurs ont baptisé le plus précis de leurs modèles PLABAC, acronyme de la première lettre de chaque variable composante : numération plaquettaire, lactate, âge, azote uréique du sang, aspartate aminotransférase et protéine C-réactive.
Pour s’assurer que PLABAC prédit la mortalité de tous les patients hospitalisés avec le COVID-19 plutôt que seulement des 969 personnes de l’échantillon initial, les chercheurs l’ont utilisé – avec succès – pour projeter les résultats de 7 901 autres patients hospitalisés au cours de la période pré-vaccination et d’un troisième groupe. de 1 547 depuis la période post-vaccination.
Les bons résultats chez les patients hospitalisés après la vaccination montrent que PLABAC peut prédire le pronostic des patients atteints de variantes du COVID-19 au-delà du virus d’origine qui a infecté le premier groupe de patients.
L’équipe Rutgers n’est pas la première à utiliser d’anciens dossiers de patients pour créer un modèle de progression du COVID-19, mais ses membres pensent qu’ils sont les premiers à valider leur modèle en testant avec succès sa capacité à prédire les résultats pour un deuxième (et troisième) groupe. de patients.
Facilité d’utilisation et intégrations futures
Ils pensent également que leur modèle présente un autre avantage clé par rapport à d’autres qu’ils ont vus : la facilité d’utilisation. La plupart des hôpitaux collectent déjà les six points de données sur les patients atteints du COVID-19. Le seul travail supplémentaire consiste à saisir ces six variables dans la formule – et l’équipe d’étude espère rendre la tâche encore plus facile.
« Je prévois de contacter MDCalc, une application que chaque clinicien a sur son téléphone pour rechercher des informations et utiliser des formules utiles », a déclaré Natanov. « J’aimerais que la formule soit ajoutée afin que les utilisateurs puissent obtenir un pronostic simplement en tapant les six chiffres. »
Natanov a déclaré qu’il aimerait travailler avec Epic, le plus grand fabricant de logiciels de dossiers de santé électroniques, pour ajouter ce modèle à sa liste croissante d’outils prédictifs.
« Personne n’aurait à entrer quoi que ce soit. Le système extrairait automatiquement les chiffres des résultats du laboratoire et effectuerait le calcul », a-t-il déclaré.
