{{{sourceTextContent.title}}}

Une nouvelle technique d'apprentissage automatique analyse les dossiers médicaux électroniques pour prédire la mortalité des patients atteints de COVID-19

{{{sourceTextContent.subTitle}}}

Les chercheurs ont utilisé une technique d'apprentissage automatique appelée "apprentissage fédéré" pour examiner les dossiers médicaux électroniques afin de mieux prévoir l'évolution des patients atteints de COVID-19.

{{{sourceTextContent.description}}}

Les chercheurs du Mount Sinai Health System (New York, NY, USA) qui ont construit des modèles utilisant l'apprentissage fédéré pour améliorer les prédictions des résultats de COVID-19 estiment que la technique émergente est prometteuse pour créer des modèles d'apprentissage machine plus robustes qui vont au-delà d'un seul système de santé sans compromettre la vie privée des patients. Ces modèles, à leur tour, peuvent aider au triage des patients et améliorer la qualité de leurs soins.

L'apprentissage fédéré est une technique qui entraîne un algorithme sur plusieurs appareils ou serveurs contenant des échantillons de données locales, mais qui évite l'agrégation de données cliniques, ce qui n'est pas souhaitable pour des raisons notamment de respect de la vie privée des patients. Les chercheurs de Mount Sinai ont mis en œuvre et évalué des modèles d'apprentissage fédéré en utilisant des données provenant de dossiers médicaux électroniques dans cinq hôpitaux distincts du système de santé afin de prédire la mortalité des patients atteints de COVID-19. Ils ont comparé les performances d'un modèle fédéré à celles de modèles construits à partir des données de chaque hôpital séparément, appelés modèles locaux. Après avoir formé leurs modèles sur un réseau fédéré et testé les données des modèles locaux dans chaque hôpital, les chercheurs ont constaté que les modèles fédérés avaient un pouvoir prédictif accru et surpassaient les modèles locaux dans la plupart des hôpitaux.

"Les modèles d'apprentissage automatique dans les soins de santé nécessitent souvent des données diverses et à grande échelle pour être robustes et traduisibles en dehors de la population de patients sur laquelle ils ont été formés", a déclaré l'auteur correspondant de l'étude, Benjamin Glicksberg, PhD, professeur adjoint de génétique et de sciences génomiques à l'école de médecine Icahn de Mount Sinai, et membre de l'Institut Hasso Plattner pour la santé numérique de Mount Sinai et du Centre d'intelligence clinique de Mount Sinai. "L'apprentissage fédéré gagne du terrain dans l'espace biomédical, car il permet aux modèles d'apprendre à partir de nombreuses sources sans exposer les données sensibles des patients. Dans notre travail, nous démontrons que cette stratégie peut être particulièrement utile dans des situations comme COVID-19"

"L'apprentissage machine dans le domaine des soins de santé continue à souffrir d'une crise de reproductibilité", a déclaré le premier auteur de l'étude, Akhil Vaid, MD, post-doctorant au département de génétique et de sciences génomiques de l'école de médecine Icahn à Mount Sinai, et membre de l'Institut Hasso Plattner pour la santé numérique à Mount Sinai et du Centre d'intelligence clinique de Mount Sinai. "Nous espérons que ce travail mettra en évidence les avantages et les limites de l'utilisation de l'apprentissage fédéré avec les dossiers de santé électroniques pour une maladie pour laquelle il existe une relative pénurie de données dans un hôpital individuel. Les modèles construits à l'aide de cette approche fédérée sont plus performants que ceux construits séparément à partir d'échantillons limités d'hôpitaux isolés. Il sera passionnant de voir les résultats d'initiatives plus importantes de ce type"