Le modèle d'apprentissage automatique prédit avec précision les accidents vasculaires cérébraux à l'aide des données existantes

Jan 17, 2024

L'AVC peut être difficile à diagnostiquer car les patients ne présentent pas toujours des symptômes classiques et d'autres conditions peuvent l'imiter. Les chercheurs ont utilisé les données existantes pour développer un modèle d'apprentissage automatique qui prédit avec précision les accidents vasculaires cérébraux et peut faciliter le diagnostic.

Les erreurs de diagnostic représentent un problème majeur de santé publique et contribuent à des préjudices évitables pour les patients et à des dépenses de santé excessives. Les décès évitables par accident vasculaire cérébral dus à des erreurs de diagnostic sont 30 fois plus fréquents que les crises cardiaques mal diagnostiquées.

L'AVC peut être particulièrement difficile à diagnostiquer, car ses signes et symptômes peuvent être imités par d'autres conditions telles que les convulsions, les migraines, les troubles psychiatriques et l'intoxication aux drogues et à l'alcool. De plus, les AVC peuvent présenter des symptômes atypiques. Environ 25 % des victimes d'AVC ne présentent pas les problèmes d'élocution habituels, l'affaissement du visage et la faiblesse des membres, ce qui complique davantage la capacité d'un professionnel de la santé à poser un diagnostic précis.

Des chercheurs des universités Carnegie Mellon, Florida International et Santa Clara ont développé un outil de dépistage automatisé utilisant la technologie d'apprentissage automatique pour éliminer certaines conjectures du diagnostic de l'AVC.

"Des méthodes d'apprentissage automatique ont été utilisées pour aider à détecter les AVC en interprétant des données détaillées telles que des notes cliniques et des résultats d'imagerie diagnostique", a déclaré Rema Padman, auteur correspondant de l'étude. "Mais ces informations peuvent ne pas être facilement disponibles lorsque les patients sont initialement triés dans les services d'urgence des hôpitaux, en particulier dans les communautés rurales et mal desservies."

Pour développer leur algorithme de prédiction des accidents vasculaires cérébraux, les chercheurs ont utilisé plus de 143 000 dossiers de patients individuels provenant d'admissions dans des hôpitaux de soins aigus de Floride entre 2012 et 2014. Ils ont également incorporé des données de l'American Community Survey menée par le US Census Bureau, qui comprenait des données démographiques telles que l'âge, le sexe, la race et les conditions médicales existantes.

Le modèle d'apprentissage automatique a prédit l'AVC avec une précision de 84 %. Il était également très sensible, surpassant les modèles de diagnostic existants, qui ont tendance à manquer jusqu'à 30 % des AVC.

"La sensibilité modérée des modèles existants soulève des inquiétudes quant au fait qu'ils manquent un pourcentage substantiel de personnes victimes d'un AVC", a déclaré Min Chen, auteur principal de l'étude. "Dans les hôpitaux où les ressources médicales et le personnel clinique manquent, notre algorithme peut compléter les modèles actuels pour aider à prioriser rapidement les patients pour une intervention appropriée."

Les résultats de l'étude suggèrent que ce modèle d'apprentissage automatique peut prédire avec précision la probabilité qu'une personne ait eu ou subisse un accident vasculaire cérébral avant d'obtenir une confirmation par imagerie diagnostique ou tests de laboratoire.

"Parce que notre modèle ne nécessite pas de notes cliniques ou de résultats de tests de diagnostic, il pourrait être particulièrement utile pour relever les défis des erreurs de diagnostic lorsqu'il s'agit de patients sans rendez-vous avec un AVC présentant des symptômes plus légers et atypiques", a déclaré Xuan Tan, co-auteur de l'étude. "Il pourrait également être utile dans les services d'urgence des centres à faible volume ou sans AVC, où les prestataires ont une exposition quotidienne limitée aux AVC, et dans les zones rurales où la disponibilité d'outils de diagnostic sensibles est limitée."

Mais les chercheurs soulignent que leur algorithme n'est pas destiné à être un modèle autonome ; il doit être utilisé en conjonction avec les modèles existants de diagnostic d'AVC.

Les chercheurs recommandent que leur algorithme de prédiction des AVC soit intégré à un outil de dépistage automatisé et assisté par ordinateur accessible au moment de l'admission à l'hôpital.

L'étude a été publiée dans le Journal of Medical Internet Research.

Source : Université Carnegie Mellon