Les modèles d’apprentissage automatique indiquent la possibilité d’un traitement de la douleur moins invasif et plus précis –

  • FrançaisFrançais



  • Une nouvelle étude démontre que les stratégies d’apprentissage automatique peuvent être appliquées aux données physiologiques collectées régulièrement, telles que la fréquence cardiaque et la pression artérielle, pour fournir des indices sur les niveaux de douleur chez les personnes atteintes de drépanocytose. Mark Panaggio du Laboratoire de physique appliquée de l’Université Johns Hopkins et ses collègues présentent ces résultats dans la revue en libre accès Biologie computationnelle PLOS.

    La douleur est subjective et la surveillance de la douleur peut être intrusive et prendre du temps. Les analgésiques peuvent aider, mais une connaissance précise de la douleur d’un patient est nécessaire pour équilibrer le soulagement contre le risque de dépendance ou d’autres effets indésirables. Les stratégies d’apprentissage automatique se sont révélées prometteuses pour prédire la douleur à partir de mesures physiologiques objectives, telles que l’activité musculaire ou les expressions faciales, mais peu d’études ont appliqué l’apprentissage automatique aux données collectées régulièrement.

    Désormais, Panaggio et ses collègues ont développé et appliqué des modèles d’apprentissage automatique aux données de personnes atteintes de drépanocytose hospitalisées en raison de douleurs débilitantes. Ces modèles statistiques classifient si la douleur d’un patient était faible, modérée ou élevée à chaque moment de son séjour en fonction des mesures régulièrement recueillies de sa tension artérielle, de sa fréquence cardiaque, de sa température, de sa fréquence respiratoire et de son taux d’oxygène.

    Les chercheurs ont découvert que ces signes vitaux donnaient en effet des indices sur les niveaux de douleur rapportés par les patients. En tenant compte des données physiologiques, leurs modèles ont surpassé les modèles de base pour estimer les niveaux de douleur subjectifs, détecter les changements de douleur et identifier les niveaux de douleur atypiques. Les prédictions de la douleur étaient plus précises lorsqu’elles tenaient compte des changements des signes vitaux des patients au fil du temps.

    «Des études comme la nôtre montrent le potentiel des modèles basés sur les données basés sur l’apprentissage automatique pour améliorer notre capacité à surveiller les patients de manière moins invasive et, en fin de compte, être en mesure de fournir des traitements plus opportuns et ciblés», déclare Panaggio.

    À l’avenir, les chercheurs espèrent tirer parti de sources de données plus complètes et d’outils de surveillance en temps réel, tels que les trackers de fitness, pour créer de meilleurs modèles pour déduire et prévoir la douleur.

    Source de l’histoire:

    Matériel fourni par PLOS. 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...

    Houssen Moshinaly

    Rédacteur web depuis 2009 et webmestre depuis 2011.

    Je m'intéresse à tous les sujets comme la politique, la culture, la géopolitique, l'économie ou la technologie. Toute information permettant d'éclairer mon esprit et donc, le vôtre, dans un monde obscur et à la dérive.

    Je suis l'auteur de plusieurs livre

    Pour me contacter personnellement :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.