Les modèles d’IA atteignent 98,33 % de précision en réanimation

Une équipe de réanimation peut devoir repérer un patient à haut risque alors que son état continue d’évoluer. Dans une étude dirigée par l’Université catholique australienne (ACU) et l’Université Charles Darwin (CDU), un modèle d’apprentissage automatique extra trees a prédit la mortalité en réanimation avec une précision de 98,33 % ; gradient boosting a atteint 98,23 %.

Les cliniciens utilisent couramment APACHE, l’Acute Physiology and Chronic Health Evaluation, et SAPS, le Simplified Acute Physiology Score. Selon l’étude, ces outils peuvent avoir du mal à rendre compte de l’évolution de l’état des patients, prennent du temps à valider et nécessitent de fréquents recalibrages. Les systèmes d’apprentissage automatique ont surpassé ces scores traditionnels, mais leur manque d’explicabilité a freiné leur adoption.

Les chercheurs ont utilisé les résultats d’extra trees avec des modèles explicatifs afin d’identifier les facteurs à l’origine des prédictions et de les comparer aux connaissances médicales. L’hypertension, les tumeurs, les maladies endocriniennes, les maladies digestives et les maladies cardiovasculaires sont apparues comme des facteurs clés. L’autrice principale, Niusha Shafiabady, professeure à l’ACU et directrice de son laboratoire Women in AI for Social Good, a dirigé ces travaux avec des collègues de l’Université Charles Darwin, de l’Université de technologie Amirkabir à Téhéran et d’autres universités australiennes.

Qu’est-ce qui change en pratique ? S’ils sont intégrés à des systèmes d’aide à la décision clinique, des prédictions expliquées pourraient aider les cliniciens à accorder rapidement leur attention aux patients à haut risque, à les surveiller en continu et à intervenir plus tôt. Shafiabady a déclaré que ces outils devraient compléter les soins de première ligne plutôt que les compliquer.

L’étude s’appuie sur le jeu de données MIMIC-III. Les chercheurs considèrent les jeux de données plus vastes et les différents contextes de soins comme les prochains terrains de test ; la précision rapportée reste donc un résultat de recherche fondé sur ce jeu de données.