Modèles d’apprentissage automatique pour prédire les maladies graves et la mortalité chez les patients COVID-19 –

  • FrançaisFrançais



  • Les chercheurs du mont Sinaï ont développé des modèles d’apprentissage automatique qui prédisent la probabilité d’événements critiques et de mortalité chez les patients COVID-19 dans des fenêtres de temps cliniquement pertinentes. Les nouveaux modèles décrits dans l’étude – l’un des premiers à utiliser l’apprentissage automatique pour la prédiction du risque chez les patients COVID-19 parmi une population large et diversifiée, et publié le 6 novembre dans le Journal de recherche médicale sur Internet – pourrait aider les praticiens cliniques du mont Sinaï et du monde entier dans les soins et la gestion des patients atteints de COVID-19.

    «Depuis l’explosion initiale du COVID-19 à New York, nous avons constaté que la présentation et l’évolution de la maladie du COVID-19 étaient hétérogènes et nous avons construit des modèles d’apprentissage automatique utilisant les données des patients pour prédire les résultats», a déclaré Benjamin Glicksberg, PhD, professeur adjoint de Génétique et sciences génomiques à l’École de médecine Icahn du mont Sinaï, membre de l’Institut Hasso Plattner pour la santé numérique du mont Sinaï et du centre d’intelligence clinique du mont Sinaï (MSCIC), et l’un des principaux chercheurs de l’étude. «Nous sommes maintenant bien mieux préparés qu’avant dans les premiers stades d’une deuxième vague. Nous évaluons actuellement comment ces modèles peuvent aider les cliniciens à gérer les soins de leurs patients dans la pratique.

    Dans l’étude rétrospective utilisant les dossiers de santé électroniques de plus de 4000 patients adultes admis dans cinq hôpitaux du Mount Sinai Health System de mars à mai, des chercheurs et des cliniciens du MSCIC ont analysé les caractéristiques des patients COVID-19, y compris les antécédents médicaux, les comorbidités et les signes vitaux. , et les résultats des tests de laboratoire à l’admission, pour prédire les événements critiques tels que l’intubation et la mortalité dans diverses fenêtres de temps cliniquement pertinentes qui peuvent prévoir les risques à court et à moyen terme des patients pendant l’hospitalisation.

    Les chercheurs ont utilisé les modèles pour prédire un événement critique ou une mortalité à des fenêtres temporelles de 3, 5, 7 et 10 jours après l’admission. À une semaine – qui a obtenu les meilleurs résultats dans l’ensemble, signalant correctement les événements les plus critiques tout en renvoyant le moins de faux positifs – lésion rénale aiguë, respiration rapide, glycémie élevée et élévation de la lactate déshydrogénase (LDH) indiquant des lésions tissulaires ou une maladie étaient les meilleurs facteurs de prédiction des maladies graves. L’âge avancé, le déséquilibre sanguin et les taux de protéine C-réactive indiquant une inflammation étaient les facteurs les plus puissants pour prédire la mortalité.

    «Nous avons créé des modèles prédictifs hautement performants utilisant l’apprentissage automatique pour améliorer les soins de nos patients au mont Sinaï», a déclaré Girish Nadkarni, MD, professeur adjoint de médecine (néphrologie) à la Icahn School of Medicine, directeur clinique du Hasso Plattner Institute for Digital Health at Mount Sinai, et coprésident du MSCIC. “Plus important encore, nous avons créé une méthode qui identifie les marqueurs de santé importants qui déterminent les estimations de probabilité pour le pronostic des soins de courte durée et qui peut être utilisée par les établissements de santé du monde entier pour améliorer les décisions en matière de soins, tant au niveau du médecin que de l’hôpital, et gérer plus efficacement les patients. avec COVID-19. “

    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 de messagerie ne sera pas publiée.