Les techniques d'apprentissage automatique peuvent mieux prédire le risque de saignement pour les patients subissant une intervention coronarienne percutanée (ICP) que les méthodes traditionnelles, rapportent des chercheurs de Yale.

Cette étude est publiée dans Réseau JAMA ouvert .

L'équipe de recherche a analysé les données du registre national de données cardiovasculaires (NCDR) de l'American College of Cardiology (ACC) de 2009 à 2015 à l'aide de l'apprentissage automatique, une branche de l'intelligence artificielle capable d'effectuer des tâches en inférant des modèles dans les données. La base de données comprend plus de 3 millions de procédures effectuées dans des hôpitaux à travers les États-Unis. L'équipe a découvert que l'analyse de l'apprentissage automatique améliorait la prédiction du risque de saignement après une ICP (souvent utilisée pour ouvrir les vaisseaux sanguins rétrécis par l'accumulation de plaque), qui pourrait mieux éclairer les décisions des patients et des médecins.

« Nous découvrons que l'apprentissage automatique peut nous permettre d'améliorer notre capacité à prévoir les risques mieux que nos approches traditionnelles, " a déclaré le Dr Harlan Krumholz, Cardiologue de Yale et directeur du Yale New Haven Hospital Center for Outcomes Research and Evaluation (CORE). " Surtout, la clé réside dans la manière dont les informations sur les patients sont traitées avant même le début de l'analyse. À l'avenir, ces techniques nous permettront de personnaliser beaucoup plus les devis."

L'équipe comprenait des cliniciens, scientifiques cliniciens, et les scientifiques des données. Cette étude est l'une des premières à utiliser l'apprentissage automatique dans les registres massifs de l'ACC. CORE est un partenaire de l'ACC au sein de l'Institute for Cardiovascular Computational Health et ce projet est l'un des premiers produits de cette collaboration.