Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
An ICU team may need to identify a high-risk patient while that patient's condition is still changing. In a study led by Australian Catholic University (ACU) and Charles Darwin University (CDU), an extra trees machine-learning model predicted ICU mortality with 98.33% accuracy; gradient boosting reached 98.23%.
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 %.
Clinicians commonly use APACHE, the Acute Physiology and Chronic Health Evaluation, and SAPS, the Simplified Acute Physiology Score. The study says these tools can struggle to capture evolving conditions, take time to validate and need frequent recalibration. Machine-learning systems have outperformed such traditional scores, but their lack of explainability has slowed adoption.
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.
The researchers used the extra trees results with explanation models to identify the factors behind the predictions and compare them with medical knowledge. Hypertension, tumors, endocrine disease, digestive disease and cardiovascular disease emerged as key factors. Lead author Niusha Shafiabady, an ACU professor and director of its Women in AI for Social Good lab, led work with colleagues from Charles Darwin University, Amirkabir University of Technology in Tehran and other Australian universities.
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.
So what changes in practice? If embedded in clinical decision-support systems, explained predictions could help clinicians focus urgent attention on high-risk patients, monitor them continuously and intervene earlier. Shafiabady said the tools should complement rather than complicate frontline care.
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.
The study used the MIMIC-III dataset. The researchers identify larger datasets and different health care settings as the next tests, so the reported accuracy remains a research result based on that dataset.
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.