Apprentissage automatique et pronostic de santé

Contenu orginal: Fonds AXA pour la recherche

Pendant la pandémie de COVID-19, l'apprentissage automatique a été exploité pour aider à prédire les résultats sanitaires. Pour une maladie dont les symptômes allaient de graves problèmes respiratoires, voire la mort, à des infections asymptomatiques, l'apprentissage automatique constitue un outil précieux pour anticiper au mieux les besoins sanitaires d'une population et prescrire les meilleurs soins aux patients individuels. Déployée à grande échelle, cette technologie peut aider les systèmes de santé à mieux allouer leurs ressources, ce qui peut être mis à profit pour améliorer l'accès des bénéficiaires. Santiago Mazuelas, lauréat du Fonds AXA pour la recherche, explique l'application de cette méthode au pronostic des patients diagnostiqués COVID-19.

Contrairement à d'autres maladies, les infections à COVID-19 ont des évolutions particulièrement variées: certains patients restent asymptomatiques pendant l'infection, d'autres présentent des symptômes modérés pendant quelques semaines, tandis que d'autres encore souffrent de complications aiguës, voire critiques. Des affectations erronées du type de soins pour les patients atteints de COVID-19 peuvent entraîner des issues fatales, et l'absence de mesures d'isolement pour les infections asymptomatiques peut accroître la propagation de la COVID-19 au sein de la population. Ces faits posent un défi majeur pour le confinement de la COVID-19 puisque les contre-mesures les plus pertinentes au moment de la détection de l'infection sont sensiblement différentes pour chaque type de patients.

Le projet Pronostic précoce des infections COVID-19 via l'apprentissage automatique développe des techniques d'apprentissage automatique pour le pronostic précoce des infections à COVID-19 qui prédisent la gravité future des infections en utilisant des données de santé obtenues peu après la détection. Ce projet a été financé par le Fonds AXA pour la Recherche dans le cadre de l'appel Flash exceptionnel Attenuation du risque suite à la pandémie de COVID-19 et est réalisé au Centre basque de mathématiques appliquées (BCAM) d'octobre 2020 à octobre 2023.

Les algorithmes développés dans le projet peuvent être utilisés par le personnel médical ou les acteurs de la santé publique pour prendre des décisions opportunes qui aboutissent à des résultats favorables. Par exemple, un patient infecté dont le pronostic précoce est négatif et dont on prédit une réponse positive au traitement peut être directement transféré en soins semi-intensifs avant qu'il ne présente des symptômes notables.

En outre, les algorithmes de prédiction développés dans le projet peuvent également être utilisés pour surveiller de près les individus non infectés ayant de fortes probabilités d'être asymptomatiques ou de souffrir de complications au cas où ils deviendraient positifs pour la COVID-19.

Les techniques développées dans le cadre du projet utilisent des données de santé multimodales et riches en informations pour prédire la gravité future des infections COVID-19. Ces données de santé sont composées de données cliniques telles que l'âge, le sexe, le poids, la pression sanguine, la température corporelle, la fréquence cardiaque, la fréquence respiratoire et les antécédents médicaux (PMH), ainsi que de mesures plus détaillées telles que celles obtenues à partir de tests biochimiques. Les techniques d'apprentissage développées dans le projet utilisent une grande quantité de dossiers médicaux électroniques pour apprendre la relation complexe entre les instances de données de santé et la sévérité du COVID-19. Le projet permettra de relever plusieurs défis scientifiques et techniques, tant pour le traitement des données que pour la conception des algorithmes d'apprentissage, notamment l'utilisation d'échantillons d'entraînement non équilibrés affectés par un biais de sélection, et le développement de techniques sensibles aux coûts.

L'un des premiers algorithmes que nous avons développés est capable de prédire le risque d'une issue fatale lorsqu'un nouveau patient COVID-19 est admis à l'hôpital, avec une sensibilité de 90% (taux de vrais positifs) et une spécificité de 75% (taux de vrais négatifs). Des algorithmes comme celui-ci sont destinés à devenir une aide essentielle pour les prestataires de soins de santé lors de l'évaluation des patients entrants.

En plus de la composante pronostique, les algorithmes basés sur l'apprentissage automatique peuvent également fournir de nouvelles hypothèses de travail sur la pathogenèse de la COVID-19. Un exemple pour nous est l'inclusion de divers marqueurs sanguins d'éosinophiles (variété de marqueurs de globules blancs) comme prédicteurs pertinents, dévoilant l'importance de ces globules blancs particuliers dans la protection contre l'infection SRAS-CoV-2. Plusieurs équipes de chercheurs à travers le monde poursuivent des efforts similaires, avec l'espoir que bientôt nous pourrons tous exploiter des données provenant de plusieurs pays et continents permettant la création d'outils de pronostic plus exacts et précis pour le COVID-19. Les techniques d'apprentissage automatique développées dans le cadre de ce projet peuvent permettre des améliorations remarquables dans le fonctionnement des systèmes de santé. En particulier, elles peuvent servir à améliorer la manière dont les décisions médicales et de santé publique sont prises pour traiter et gérer les infections à COVID-19. En outre, les algorithmes d'apprentissage développés dans le projet peuvent également permettre aux systèmes de santé de mieux catégoriser les risques des individus. Plus largement, les méthodes d'apprentissage développées dans le projet peuvent être exploitées pour développer des méthodes d'apprentissage automatique qui évaluent la probabilité de futurs événements généraux indésirables sur la base de données obtenues à l'avance.