Le meilleur algorithme pour prédire la mortalité dans une cohorte de personnes âgées. KINotes vous souhaite une excellente année, à vous et à vos proches


 

J’avais déjà vu passer un article calculant la probabilité de mort prochaine basée sur la force de serrage manuel, il y a quelques années. La vitesse de marche a aussi des caractères prédictifs, mais la machine prédictive s’affine, sans que l’on en connaisse la finalité…

Que propose cet article venant de paraître ?

Avec l’évolution de la démographie mondiale, le vieillissement est un phénomène global qui suscite de plus en plus d’intérêt dans notre société moderne et en pleine mutation. Ainsi, l’application d’indices pronostiques appropriés dans les décisions cliniques concernant la prédiction de la mortalité a pris une importance significative pour la gestion personnalisée des risques (c’est-à-dire l’identification des patients qui ont un risque élevé ou faible de décès) et pour aider à assurer des services de soins de santé efficaces aux patients.

Par conséquent, la modélisation pronostique exprimée par la prédiction de la mortalité toutes causes confondues est une étape importante pour une gestion efficace des patients. 

L’apprentissage automatique a le potentiel de transformer la modélisation pronostique. 

Cet article présente les résultats du développement de modèles d’apprentissage automatique pour la prédiction de la mortalité toutes causes confondues dans une cohorte de personnes âgées en bonne santé. 

Les modèles sont basés sur des caractéristiques couvrant des variables anthropométriques, des examens physiques et de laboratoire, des questionnaires et des modes de vie, ainsi que des données portables collectées dans des environnements de vie libre, obtenues dans le cadre de l’étude « Healthy Ageing Initiative » menée sur 2291 participants recrutés. 

Plusieurs techniques d’apprentissage automatique, notamment l’ingénierie des caractéristiques, la sélection des caractéristiques, l’augmentation des données et le ré-échantillonnage, ont été étudiées à cette fin. 

Une comparaison empirique détaillée de l’impact des différentes techniques est présentée et discutée. 

Les performances obtenues ont également été comparées à un modèle épidémiologique standard. 

L’analyse a montré que les modèles d’apprentissage automatique pouvaient fournir des résultats comparables à ceux des modèles épidémiologiques standard, tout en étant entièrement basés sur les données et sans tenir compte de la maladie, ce qui démontre l’opportunité de construire des modèles d’apprentissage automatique sur les données des dossiers médicaux pour la recherche et la pratique clinique. Cependant, des tests supplémentaires sont nécessaires pour améliorer de manière significative les performances du modèle et sa robustesse.

Pourquoi font-ils çà ?

Les chercheurs cherchent à prolonger la durée du cycle de vie humain tout en minimisant le coût global des soins de santé associé à cette longévité. 

Plusieurs indices ou scores cliniques ont été proposés dans la littérature pour prédire la mortalité. Plusieurs scores gériatriques, définis à l’origine pour l’analyse fonctionnelle des personnes âgées, ont également été corrélés à la prédiction de la mortalité, comme l’indice de Barthel.

Oui, mais pourquoi faire, à part planifier le remplissage des EHPAD ?

???


Références bibliographiques 

Salvatore Tedesco, Martina Andrulli, Markus Åkerlund Larsson, Daniel Kelly, Antti Alamäki, Suzanne Timmons, John Barton, Joan Condell, Brendan O’Flynn, Anna Nordström. Comparison of Machine Learning Techniques for Mortality Prediction in a Prospective Cohort of Older Adults. Int J Environ Res Public Health. 2021 Dec 4,18(23):12806. doi: 10.3390/ijerph182312806.

Article en accès libre en cliquant sur le lien du titre 

Photo de Mike sur Pexels.com

Votre commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l’aide de votre compte WordPress.com. Déconnexion /  Changer )

Image Twitter

Vous commentez à l’aide de votre compte Twitter. Déconnexion /  Changer )

Photo Facebook

Vous commentez à l’aide de votre compte Facebook. Déconnexion /  Changer )

Connexion à %s