AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
L'étude AIRE-KIDS a développé et validé un modèle d'apprentissage automatique utilisant des dossiers médicaux électroniques, des données environnementales et des informations sur les quartiers pour prédire avec précision les exacerbations sévères de l'asthme chez les enfants, démontrant une performance supérieure par rapport aux règles de décision actuelles en atteignant une AUC de 0,712 et un score F1 de 0,51.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
L'asthme est une affection courante chez les enfants, provoquant un rétrécissement de leurs voies respiratoires et rendant la respiration difficile. Bien que de nombreux enfants gèrent bien leurs symptômes à la maison, certains subissent des crises graves qui nécessitent un passage au service des urgences. Même après avoir reçu un traitement, un nombre important de ces enfants reviennent dans l'année pour un autre épisode grave. Ce cycle n'est pas seulement une épreuve personnelle pour les familles ; il exerce une lourde pression sur les hôpitaux et le système de santé. Le défi pour les médecins est qu'ils ne peuvent pas fournir une éducation et des soins intensifs et spécialisés à chaque enfant qui visite le service des urgences, car les ressources sont simplement insuffisantes. Au lieu de cela, les équipes médicales ont besoin d'un moyen d'identifier les enfants spécifiques qui sont les plus susceptibles de revenir, afin de les orienter vers un programme de soins complet qui aide à prévenir les crises futures. Pendant des décées, les médecins se sont appuyés sur de simples listes de contrôle et leur propre jugement pour prendre ces décisions, mais ces méthodes manquent souvent les patients les plus vulnérables ou signalent ceux qui n'ont pas besoin d'une aide supplémentaire.
Dans une étude récente menée à l'Hôpital pour enfants de l'Est de l'Ontario, des chercheurs ont cherché à construire un outil plus précis pour résoudre ce problème. Ils se sont tournés vers l'apprentissage automatique, un type d'informatique où les logiciels apprennent à reconnaître des modèles dans de vastes quantités de données. L'équipe a rassemblé les dossiers de près de 3 000 enfants qui s'étaient rendus au service des urgences pour de l'asthme entre 2017 et 2019. Ces dossiers comprenaient des détails sur les antécédents médicaux des enfants, tels que les visites précédentes, leur âge et s'ils présentaient d'autres allergies comme des sensibilités alimentaires. Les données ont également capturé la gravité de leur crise actuelle, le temps qu'ils ont attendu avant de voir un médecin, et même des facteurs environnementaux comme la qualité de l'air dans leur quartier. Les chercheurs voulaient voir si un ordinateur pouvait examiner tous ces différents éléments d'information et prédire quels enfants reviendraient à l'hôpital au cours de l'année suivante.
Pour tester leur idée, l'équipe a entraîné plusieurs types différents de modèles informatiques. Ils ont inclus trois approches plus récentes basées sur de grands modèles de langage, qui sont le même type de systèmes d'intelligence artificielle puissants souvent utilisés pour écrire du texte ou répondre à des questions complexes. Ils ont également testé des modèles traditionnels basés sur des arbres, qui fonctionnent en prenant une série de décisions par oui ou par non basées sur les données, de manière similaire à la façon dont un médecin pourrait évaluer différents symptômes. Les chercheurs ont divisé leurs données en deux groupes : un groupe pour enseigner aux modèles, et un second groupe, distinct, pour tester la performance des modèles sur de nouveaux patients inconnus. Ils ont comparé les prédictions de l'ordinateur par rapport à la règle actuelle de l'hôpital, qui déclenche une alerte pour les patients à haut risque sur la base de quelques critères spécifiques, tels qu'une visite antérieure et un score de sévérité élevé lors du triage.
Les résultats ont montré que les modèles traditionnels basés sur des arbres étaient bien supérieurs aux nouveaux modèles de langage pour cette tâche spécifique. Le meilleur modèle, que les chercheurs ont nommé AIRE-KIDS, a identifié avec succès les enfants présentant un risque élevé de retour aux urgences ou d'hospitalisation. Lors des tests sur le groupe d'enfants de 2022 et 2023, ce modèle s'est avéré nettement plus précis que la règle actuelle de l'hôpital. Alors que la règle existante identifiait correctement environ un tiers des enfants qui reviendraient, le nouveau modèle en identifiait correctement plus de la moitié. L'ordinateur a appris que les indices les plus forts pour un futur retour n'étaient pas seulement la sévérité actuelle de la crise, mais aussi l'historique des visites précédentes de l'enfant, son âge, s'il avait des allergies alimentaires et la complexité de ses besoins médicaux globaux. Étonnamment, les facteurs environnementaux comme la pollution de l'air, que les chercheurs espéraient voir comme un prédicteur majeur, n'ont pas amélioré de manière significative la précision du modèle et ont été laissés de côté dans la version finale pour garder le modèle simple et facile à utiliser.
L'étude a également révélé que les systèmes d'intelligence artificielle plus récents et plus complexes, connus sous le nom de grands modèles de langage, n'étaient pas aussi performants que les modèles plus simples et spécialisés. Malgré la popularité de ces systèmes avancés dans d'autres domaines, ils ont eu du mal à trouver les bons schémas dans ces données médicales spécifiques. Les chercheurs ont conclu que pour prédire les issues de l'asthme chez les enfants, un modèle ciblé et interprétable est plus efficace qu'un modèle généraliste et large. Le modèle final utilise un ensemble restreint et gérable de faits qui sont facilement disponibles dans les dossiers électroniques de l'hôpital au moment où un enfant arrive. Cela signifie que l'outil pourrait être intégré directement dans le flux de travail du service des urgences, alertant les médecins pour qu'ils orientent immédiatement les enfants les plus vulnérables vers des soins spécialisés. Ce faisant, l'hôpital espère briser le cycle des visites répétées, en veillant à ce que les enfants qui ont le plus besoin d'aide l'obtiennent, tout en utilisant les ressources limitées de manière plus efficace.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.