L’apprentissage automatique révèle la surprise de COVID

Une visite à l’hôpital peut se résumer à une maladie initiale et à un résultat. Mais les dossiers de santé racontent une histoire différente, pleine de notes de médecins et d’historiques de patients, de signes vitaux et de résultats de tests, couvrant potentiellement des semaines de séjour. Dans les études sur la santé, toutes ces données sont multipliées par des centaines de patients. Il n’est donc pas étonnant qu’à mesure que les techniques de traitement des données de l’IA deviennent de plus en plus sophistiquées, les médecins traitent la santé comme un problème d’IA et de mégadonnées.

Dans un effort récent, des chercheurs de l’Université Northwestern ont appliqué l’apprentissage automatique aux dossiers de santé électroniques pour produire une analyse quotidienne plus granulaire de la pneumonie dans une unité de soins intensifs (USI), où les patients recevaient une assistance respiratoire grâce à des ventilateurs mécaniques. L’analyse, publiée le 27 avril dans le Journal d’investigation cliniquecomprend le regroupement des jours-patients par apprentissage automatique, ce qui suggère que l’insuffisance respiratoire à long terme et le risque d’infection secondaire sont beaucoup plus fréquents chez les patients COVID-19 que le sujet des tempêtes de cytokines très précoces.

La plupart des méthodes qui abordent l’analyse des données en USI examinent les données des patients lorsqu’ils sont admis, puis les résultats à un moment donné, a déclaré Benjamin D. Singer, co-auteur de l’étude et professeur agrégé à la Northwesterns Feinberg School of Medicine. Tout au milieu est une boîte noire.

L’espoir est que l’IA puisse faire de nouvelles découvertes cliniques à partir des données quotidiennes sur l’état des patients des soins intensifs au-delà de l’étude de cas COVID-19.

L’approche quotidienne des données a conduit les chercheurs à deux conclusions connexes : les infections respiratoires secondaires sont une menace courante pour les patients en soins intensifs, y compris ceux atteints de COVID-19 ; et une forte association entre COVID-19 et l’insuffisance respiratoire, qui peut être interprétée comme un manque inattendu de preuves de tempêtes de cytokines chez les patients COVID-19. On pourrait s’attendre à un passage éventuel à une défaillance multiviscérale si les patients présentaient une réponse inflammatoire des cytokines, ce que les chercheurs n’ont pas trouvé. Les taux signalés varient, mais les tempêtes de cytokines sont considérées depuis les premiers jours de la pandémie comme une possibilité dangereuse dans les cas graves de COVID-19.

Environ 35% des patients ont reçu un diagnostic d’infection secondaire, également connue sous le nom de pneumonie associée à la ventilation (VAP), à un moment donné au cours de leur séjour aux soins intensifs. Plus de 57% des patients COVID-19 ont développé une VAP, contre 25% des patients non COVID. Plusieurs épisodes de VAP ont été signalés pour près de 20 % des patients atteints de COVID-19.

Catherine Gao, enseignante en médecine à l’Université Northwestern et l’un des coauteurs de l’étude, a déclaré que les algorithmes d’apprentissage automatique qu’ils ont utilisés ont aidé les chercheurs à voir émerger des modèles clairs qui avaient un sens clinique. L’équipe a baptisé son approche d’apprentissage automatique axée sur la journée CarpeDiem, d’après l’expression latine signifiant saisir le jour.

CarpeDiem a été construit à l’aide de la plate-forme Jupyter Notebook, et l’équipe a mis à disposition à la fois le code et les données anonymisées. L’ensemble de données comprenait 44 paramètres cliniques différents pour chaque jour-patient, et l’approche de regroupement a renvoyé 14 groupes avec différentes signatures de six types de dysfonctionnement d’organe : respiratoire, instabilité du ventilateur, inflammatoire, rénal, neurologique et choc.

Le domaine s’est concentré sur l’idée que nous pouvons examiner les premières données et voir si cela prédit comment [patients] vont faire des jours, des semaines ou des mois plus tard, a déclaré Singer. L’espoir, a-t-il dit, est que la recherche utilisant l’état quotidien des patients en soins intensifs plutôt que quelques points dans le temps puisse en dire plus aux enquêteurs et aux algorithmes d’IA et d’apprentissage automatique qu’ils utilisent sur l’efficacité des différents traitements ou des réponses aux changements dans l’état d’un patient. Une future direction de recherche serait d’examiner l’élan de la maladie, a déclaré Singer.

La technique développée par les chercheurs (qu’ils ont appelée l’approche patient-journée) pourrait détecter d’autres changements dans les états cliniques avec moins de temps entre les points de données, a déclaré Sayon Dutta, médecin urgentiste au Massachusetts General Hospital qui aide à développer des modèles prédictifs pour la pratique clinique à l’aide de machines. l’apprentissage et n’a pas participé à l’étude. Les données horaires pourraient présenter leurs propres problèmes à une approche de regroupement, a-t-il dit, rendant les modèles difficiles à reconnaître. Je pense que diviser la journée en tranches de 8 heures pourrait être un bon compromis entre granularité et dimensionnalité, a-t-il déclaré.

Les appels à incorporer de nouvelles techniques pour analyser les grandes quantités de données sur la santé des soins intensifs sont antérieurs à la pandémie de COVID-19. L’apprentissage automatique ou les approches informatiques plus largement pourraient être utilisés dans l’USI de diverses manières, pas seulement dans des études d’observation. Les applications possibles pourraient utiliser des dossiers de santé quotidiens, ainsi que des données en temps réel enregistrées par des appareils de soins de santé, ou impliquer la conception de machines réactives qui intègrent une gamme d’informations disponibles.

Les taux de mortalité globaux étaient d’environ 40 % chez les patients qui ont développé une infection secondaire et ceux qui n’en ont pas eu. Mais parmi les patients de l’étude avec un cas diagnostiqué de PAV, si leur pneumonie secondaire n’a pas été traitée avec succès dans les 14 jours, 76,5 % sont finalement décédés ou ont été envoyés en soins palliatifs. Le taux était de 17,6% parmi ceux dont la pneumonie secondaire était considérée comme guérie. Les deux groupes comprenaient environ 50 patients.

Singer souligne que le risque de pneumonie secondaire est généralement nécessaire. Le ventilateur est absolument salvateur dans ces cas. C’est à nous de trouver la meilleure façon de gérer les complications qui en découlent, a-t-il déclaré. Il faut être en vie pour vivre une complication.