Un algorithme avancé prédit le résultat des patients souffrant de lésions cérébrales graves

Republié par Platon

Suiveurs: 0

Une équipe de chercheurs basés aux États-Unis a créé un modèle innovant d'apprentissage en profondeur qui analyse les tomodensitogrammes et les informations cliniques pour prédire les résultats à six mois pour les patients atteints de lésions cérébrales traumatiques graves (TBI). En plus de surpasser les prédictions des neurochirurgiens, l'algorithme peut également orienter avec précision les patients TBI vers des soins vitaux.

De meilleures décisions cliniques

Dans le cadre de la recherche, les scientifiques des données du École de médecine de l'Université de Pittsburgh travaillé avec des chirurgiens en neurotraumatologie au centre médical de l'Université de Pittsburgh (UPMC) pour créer un nouveau modèle d'intelligence artificielle qui traite plusieurs tomodensitogrammes de la tête de patients atteints de TCC sévère. L'algorithme, décrit dans Radiologie, analyse également les signes vitaux, les tests sanguins et la fonction cardiaque des patients, ainsi que des estimations de la gravité du coma.

googletag.cmd.push (function () {googletag.display ('div-gpt-ad-3759129-1');});

Reconnaissant le fait que les techniques d'imagerie cérébrale évoluent avec le temps et que la qualité de l'image peut varier considérablement d'un patient à l'autre, l'équipe a pris en compte l'irrégularité des données en entraînant l'algorithme sur une gamme de protocoles d'imagerie différents.

Les chercheurs, dirigés par les co-premiers auteurs Matthieu Pease ainsi que Le condamné Arefan, ont validé leur modèle en le testant sur deux cohortes de patients, l'une composée de plus de 500 patients TCC sévères précédemment traités à l'UPMC et l'autre de 220 patients issus de 18 établissements à travers le pays, via le consortium TRACK-TBI. Ils ont comparé les performances du modèle à celles du IMPACT modèle et les prédictions de trois neurochirurgiens.

Le modèle développé pourrait prédire avec précision le risque de décès et les résultats défavorables des patients six mois après l'incident traumatique. Il est important de noter que le modèle a conservé sa capacité lorsqu'il a été testé sur une cohorte multi-institutionnelle indépendante du consortium TRACK-TBI. Il a également été démontré que le modèle surpasse les prédictions faites par trois neurochirurgiens présents.

En tant que co-auteurs seniors Shandong Wu ainsi que David Okonkwo expliquer, le TBI est une maladie qui perturbe le fonctionnement normal du cerveau et peut entraîner une incapacité neurologique, émotionnelle et professionnelle permanente. Lors du traitement de telles blessures, les médecins s'appuient sur le pronostic pour guider la thérapie clinique, mais ont du mal à pronostiquer avec précision les résultats des traumatismes crâniens graves. En tant que tel, note Wu, il existe "un grand besoin et un grand potentiel de tirer parti des informations cliniques multimodales et de l'apprentissage automatique pour développer des modèles de prédiction basés sur les données afin d'améliorer la prédiction des résultats pour les patients atteints de TCC sévère".

"Nous avons utilisé des techniques d'apprentissage en profondeur et d'apprentissage des programmes pour développer des modèles de prédiction qui traitent à la fois les données d'imagerie CT de la tête et d'autres variables cliniques des patients", explique Wu. "En pratique, ce modèle peut fournir une prédiction automatisée du potentiel de rétablissement d'un patient individuel afin de mieux éclairer les décisions cliniques et les soins aux patients."

Prédictions individualisées

Wu observe que, ces dernières années, l'apprentissage automatique et l'apprentissage en profondeur ont transformé l'analyse des données médicales et amélioré les performances dans la prise en charge du diagnostic de détection assistée par ordinateur et du triage des maladies médicales. En effet, de nombreux modèles et outils basés sur l'apprentissage automatique font actuellement l'objet d'investigations académiques et d'évaluations cliniques.

Selon Wu, le principal avantage du nouveau modèle est qu'il est capable d'analyser efficacement des données multidimensionnelles et multimodales, telles que des images et des données cliniques non d'imagerie, de manière automatisée. Cela signifie que l'apprentissage automatique peut apprendre des informations essentielles à partir de ces données complexes, qui peuvent être difficiles à digérer et à traiter pour un médecin humain.

L'IA prédit l'issue du coma à partir de la trace EEG

"Notre méthode peut également fournir des prédictions individualisées par rapport aux modèles existants tels que le modèle IMPACT, qui a été conçu pour guider les essais cliniques et non pour pronostiquer des patients individuels", dit-il.

À l'heure actuelle, le modèle est basé sur des données acquises lors de l'admission d'un patient aux urgences, mais l'équipe du projet prévoit de l'améliorer davantage en incorporant des données longitudinales acquises au cours des soins du patient TCC.

"Nous prévoyons également d'explorer l'évaluation et d'identifier les obstacles potentiels au déploiement de tels modèles dans le flux de travail et les paramètres cliniques", ajoute Wu.

La semaine de l'IA dans la physique médicale est soutenue par Soleil Nucléaire, un fabricant de solutions de sécurité des patients pour les centres de radiothérapie et d'imagerie diagnostique. Visite www.sunnuclear.com pour en savoir plus.