Des chercheurs construisent des modèles en utilisant une technique d’apprentissage automatique pour améliorer les prédictions des résultats du COVID-19 –

  • FrançaisFrançais



  • Les chercheurs de Mount Sinai ont publié l’une des premières études utilisant une technique d’apprentissage automatique appelée «apprentissage fédéré» pour examiner les dossiers de santé électroniques afin de mieux prédire la progression des patients atteints de COVID-19. L’étude a été publiée dans le Journal of Medical Internet Research – Informatique médicale le 18 janvier.

    Les chercheurs ont déclaré que la technique émergente promettait de créer des modèles d’apprentissage automatique plus robustes qui s’étendent au-delà d’un seul système de santé sans compromettre la confidentialité des patients. Ces modèles, à leur tour, peuvent aider à trier les patients et à améliorer la qualité de leurs soins.

    L’apprentissage fédéré est une technique qui entraîne un algorithme sur plusieurs appareils ou serveurs contenant des échantillons de données locaux, mais évite l’agrégation de données cliniques, ce qui n’est pas souhaitable pour des raisons telles que des problèmes de confidentialité des patients. Les chercheurs de Mount Sinai ont mis en œuvre et évalué des modèles d’apprentissage fédéré en utilisant les données des dossiers de santé électroniques de cinq hôpitaux distincts du système de santé pour prédire la mortalité des patients atteints de COVID-19. Ils ont comparé les performances d’un modèle fédéré à ceux construits en utilisant les données de chaque hôpital séparément, appelés modèles locaux. Après avoir formé leurs modèles sur un réseau fédéré et testé les données des modèles locaux dans chaque hôpital, les chercheurs ont découvert que les modèles fédérés démontraient une puissance prédictive améliorée et surpassaient les modèles locaux dans la plupart des hôpitaux.

    «Les modèles d’apprentissage automatique dans les soins de santé nécessitent souvent des données diverses et à grande échelle pour être robustes et traduisibles en dehors de la population de patients sur laquelle ils ont été formés», a déclaré l’auteur correspondant de l’étude, Benjamin Glicksberg, PhD, professeur adjoint de génétique et sciences génomiques au Icahn School of Medicine au Mount Sinai, et membre de l’Institut Hasso Plattner pour la santé numérique du Mount Sinai et du Mount Sinai Clinical Intelligence Center. “L’apprentissage fédéré gagne du terrain dans l’espace biomédical comme un moyen pour les modèles d’apprendre de nombreuses sources sans exposer de données sensibles sur les patients. Dans notre travail, nous démontrons que cette stratégie peut être particulièrement utile dans des situations comme COVID-19.”

    Les modèles d’apprentissage automatique construits au sein d’un hôpital ne sont pas toujours efficaces pour d’autres populations de patients, en partie à cause du fait que les modèles sont formés sur les données d’un seul groupe de patients qui ne sont pas représentatifs de l’ensemble de la population.

    «L’apprentissage automatique dans les soins de santé continue de souffrir d’une crise de reproductibilité», a déclaré le premier auteur de l’étude, Akhil Vaid, MD, chercheur postdoctoral au Département de génétique et des sciences génomiques de l’école de médecine Icahn à Mount Sinai, et membre du Hasso Institut Plattner pour la santé numérique à Mount Sinai et Mount Sinai Clinical Intelligence Center. “Nous espérons que ce travail mettra en valeur les avantages et les limites de l’utilisation de l’apprentissage fédéré avec les dossiers de santé électroniques pour une maladie pour laquelle il y a une pénurie relative de données dans un hôpital individuel. Les modèles construits à l’aide de cette approche fédérée surpassent ceux construits séparément des tailles d’échantillons limitées d’hôpitaux isolés. . Ce sera passionnant de voir les résultats d’initiatives plus importantes de ce type.

    Source de l’histoire:

    Matériaux fourni par Hôpital Mount Sinai / École de médecine Mount Sinai. Remarque: le contenu peut être modifié pour le style et la longueur.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.