Corrélogramme des caractéristiques ayant la corrélation la plus élevée avec le PCT. L'étiquetage des axes x et y est présenté en diagonale. Les paramètres suivants sont affichés :PCT=procalcitonine, CRP=protéine C-réactive, TP=protéine totale, LBP =protéine de liaison aux lipopolysaccharides, Alb=albumine, Créa=créatinine, IL-6=interleukine-6, NeuR =proportion relative de neutrophiles, Plt=plaquettes, Bili=bilirubine ; Le coefficient de corrélation de Spearman est présenté dans la partie inférieure gauche du corrélogramme. Les valeurs p sont indiquées comme suit :***<0,001, * <0,05, dans la partie supérieure droite du corrélogramme, des diagrammes de dispersion des caractéristiques présentées sont affichés. Crédit :Dorffner et al.
Une équipe de chercheurs de l'Université de médecine de Vienne a récemment évalué l'efficacité des stratégies d'apprentissage automatique pour identifier la bactériémie chez les patients atteints du syndrome de réponse inflammatoire systémique (SIRS). Leur étude, Publié dans Rapports scientifiques , obtenu des résultats décourageants, car les méthodes d'apprentissage automatique ne pouvaient pas atteindre une meilleure précision que les techniques de diagnostic actuelles.
La bactériémie est une affection médicale fréquente caractérisée par la présence de bactéries dans le sang, avec un taux de mortalité compris entre 13 % et 21 %. Des recherches antérieures suggèrent qu'un certain nombre de facteurs sont associés au risque de développer cette maladie, y compris l'âge avancé, cathéter vasculaire urinaire ou à demeure, chimiothérapie, et les thérapies immunosuppressives.
Le diagnostic précoce de la bactériémie est d'une importance cruciale pour la survie des patients atteints, car ils nécessitent un traitement rapide avec des antibiotiques appropriés. Actuellement, l'analyse de l'hémoculture (BC) est la principale méthode de diagnostic de la maladie. Cependant, cette méthode est loin d'être idéale, car il est souvent difficile de déterminer qui doit subir une analyse BC, les résultats ont besoin d'environ trois jours pour être traités, et cela peut conduire à environ 8% de faux positifs.
Les chercheurs tentent ainsi d'identifier des biomarqueurs ou des outils de prédiction permettant de mieux identifier les patients à haut risque de bactériémie. Jusque là, la procalcitonine (PCT) s'est avérée être le meilleur biomarqueur pour détecter la maladie, avec une sensibilité combinée de 76 % et une spécificité combinée de 69 %.
Dans leur étude, les chercheurs ont étudié si les stratégies d'apprentissage automatique pouvaient améliorer les performances diagnostiques de la PCT dans l'identification de la bactériémie, en particulier chez les patients présentant au moins deux symptômes de SIRS qui n'ont pas nécessité d'analyse BC. Ils ont collecté des données auprès de 466 patients qui répondaient aux critères et ont utilisé un panel de 29 paramètres de données cliniques, les niveaux d'expression des cytokines et les marqueurs de laboratoire standard pour entraîner leur modèle prédictif.
"L'objectif principal de notre étude était de montrer si la présence de bactéries dans le sang d'un patient après qu'il ait présenté des réactions inflammatoires peut être prédite tôt et mieux qu'il n'est actuellement possible, en utilisant des paramètres de laboratoire et l'apprentissage automatique, " Georg Dorffner, l'un des chercheurs qui a mené l'étude, a déclaré Tech Xplore. "Dans ce but, nous avons mené une grande étude avec des patients de notre clinique universitaire (AKH Vienne) pour collecter les données nécessaires."
Diagramme d'agrégation de données manquant. lef=répartition des données manquantes, indiqué en pourcentage, droite =analyse de modèle manquant (tracé d'agrégation manquant, paquet VIM), les pourcentages de motifs manquants sont affichés sur le côté droit, 81 % de la population totale de l'étude n'avait aucune valeur manquante. Crédit :Dorffner et al.
Doffner et ses collègues ont utilisé quelques modèles prédictifs populaires dans le domaine de l'apprentissage automatique, évaluer leur efficacité respective. Ils se sont particulièrement concentrés sur deux modèles, l'un utilisant des réseaux de neurones et l'autre appelé forêt aléatoire.
"L'un des modèles que nous avons utilisés s'appelle 'réseau de neurones, ' et trouve de bonnes combinaisons de valeurs de laboratoire telles que pour faire également des prédictions non linéaires (c'est-à-dire non proportionnelles), " expliqua Dorffner. " Un autre - en fait le plus performant - s'appelle 'forêt aléatoire, ' et se compose d'un grand nombre d'arbres de décision, où chaque arbre essaie de prendre une série de décisions par étapes, chacun basé sur une seule valeur de laboratoire, quelle est la meilleure prédiction. Ces arbres travaillent alors tous ensemble comme un comité (d'où, le nom 'forêt')."
Dans leur étude, la stratégie de la forêt aléatoire a obtenu les meilleurs résultats pour prédire la bactériémie. Cependant, il a atteint une précision diagnostique égale à celle du biomarqueur PCT, suggérant que les techniques d'apprentissage automatique populaires sont incapables de prédire la condition mieux que les méthodes actuellement utilisées.
"Notre découverte la plus significative était qu'un ensemble de plusieurs valeurs de laboratoire ne pouvait pas conduire à une meilleure prédiction que la seule valeur que tout le monde utilise, à savoir le taux de procalcitonine dans le sang, " a expliqué Dorffner. " L'apprentissage automatique n'a donc pas vraiment aidé à faire avancer la routine clinique dans ce cas. C'était quand même un effort qui en valait la peine, comme nos résultats indiquent à d'autres chercheurs que le problème n'est apparemment pas prévisible, leur épargnant des travaux supplémentaires inutiles dans cette direction."
Alors que les résultats recueillis par Dorffner et ses collègues étaient quelque peu décevants, ils offrent des informations précieuses pour les recherches futures, décrivant les difficultés d'utiliser l'apprentissage automatique pour identifier la bactériémie chez les patients SIRS.
"Nous nous concentrons maintenant sur d'autres applications cliniques où l'apprentissage automatique est probablement plus prometteur pour faire avancer les prédictions ou les diagnostics, " Dorffner a dit. " Par exemple, En collaboration avec des cardiologues, nous développons un système d'apprentissage basé sur l'imagerie par résonance magnétique pour détecter la maladie rare mais importante qu'est l'amylose cardiaque."
© 2018 Medical Xpress
