Patient Numérique

Une équipe de recherche universitaire japonaise de la Chiba University Graduate School of Medicine a réalisé une étude destinée à déterminer dans quelle mesure l’apprentissage automatique (machine learning) permettait de prédire avec précision la mortalité et la durée du séjour de patients admis en unités de soins intensifs et d’identifier les variables (âge, sexe, taille, poids, groupe sanguin, diagnostic pré-admission, caractéristiques physiologiques…) contribuant à la classification des patients.

Bien qu’ayant conduit à quelques résultats probants (haute précision de prédiction, identification d’une variable influençant fortement le degré de prédiction et la faculté de classification des patients en sous-populations), les chercheurs ont aussi identifié des lacunes ou des aspects à améliorer dans la démarche choisie: étude uniquement rétrospective et monocentrique, manque de cohérence dans le calendrier de prélèvements sur patients, données récoltées à un seul moment… Parmi les conclusions dès lors dégagées la nécessité de valider les premiers enseignements en procédant par “prédiction en temps réel afin d’améliorer la précision de la prédiction de la mortalité en unité en soins intensifs et de la durée du séjour des patients gravement malades dont l’état est sujet à des changements brusques” et le recours à des données séquentielles.

Toutefois, “cette étude a permis de démontrer que l’algorithme d’apprentissage automatique pourrait prédire la mortalité en unité en soins intensifs et la courte / longue durée du séjour en unité en soins intensifs avec une grande précision”. L’identification de la variable (présence de l’enzyme l’acétate déshydrogénase) a par ailleurs favorisé la procédure de “regroupement des patients en soins intensifs en fonction du risque de mortalité”.

L’étude “Prediction algorithm for ICU mortality and length of stay using machine learning” a été publiée dans le magazine Nature.