A New Trained Supervised Method for Calculating Patient Similarity
Cet article propose une nouvelle métrique de similitude de patients supervisée utilisant la similitude cosinus pondérée avec des poids de lasso de groupe adaptatifs relaxés, ce qui améliore considérablement la discrimination et la précision prédictive globale des modèles personnalisés pour les issues de santé binaires malgré un léger compromis sur le calibrage.
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
Dans le paysage médical moderne, de vastes dossiers numériques d'antécédents de patients deviennent disponibles, offrant un trésor d'informations pour prédire les résultats de santé. Traditionnellement, les médecins et les scientifiques des données ont construit un modèle unique et universel pour prédire comment une maladie spécifique pourrait progresser pour n'importe qui. Cette approche traite chaque patient comme faisant partie d'un groupe massif et mixte, supposant que l'expérience moyenne de l'ensemble de la population s'applique à l'individu. Cependant, une école de pensée croissante dans la médecine personnalisée suggère que cette stratégie du « taille unique » manque sa cible. Au lieu de cela, elle propose que la meilleure prédiction pour une personne spécifique provienne de l'étude de ces autres personnes qui lui ressemblent le plus. Le défi, dès lors, n'est pas seulement de disposer des données, mais de déterminer exactement comment mesurer la « similitude » entre deux personnes lorsqu'elles diffèrent de dizaines de façons, de leur âge et de leur sexe à leurs signes vitaux complexes et fluctuants.
Une équipe de chercheurs de l'Université de Waterloo a abordé ce problème en développant une nouvelle façon de calculer à quel point deux patients sont similaires. Leurs travaux se concentrent sur une méthode appelée modélisation prédictive personnalisée, où un modèle de prédiction unique est construit pour chaque individu en utilisant un petit groupe personnalisé de patients similaires issus des données d'entraînement. Le cœur de leur innovation est un nouvel outil mathématique pour mesurer la similitude. Alors que les méthodes précédentes traitaient souvent chaque information de patient comme étant d'égale importance, ou s'appuyaient sur des experts pour décider quels facteurs comptaient le plus, cette nouvelle approche laisse les données décider elles-mêmes. Les chercheurs ont créé un système qui attribue un score d'importance spécifique à chaque information dont dispose un patient, telle qu'une lecture de la pression artérielle ou un diagnostic, en fonction de la force avec laquelle ce facteur prédit réellement le résultat en question. Ils ont utilisé une technique statistique sophistiquée pour filtrer le bruit et mettre en évidence les signaux, enseignant ainsi efficacement à l'ordinateur quels détails peser lourdement et lesquels ignorer lors de la comparaison de deux personnes.
Les chercheurs ont testé cette nouvelle méthode en créant des milliers de dossiers de patients simulés avec des résultats connus, allant de scénarios à faible risque à des scénarios à haut risque, puis ont appliqué leur algorithme pour voir s'il pouvait trouver les bonnes correspondances. Ils ont comparé leur nouvelle méthode pondérée aux anciennes méthodes standards de mesure de similitude, telles que les simples calculs de distance qui traitent tous les points de données de la même manière. Les résultats ont montré que leur nouvelle approche était nettement meilleure pour distinguer les patients qui auraient des résultats différents, une qualité connue sous le nom de discrimination. Dans beaucoup de leurs tests, la nouvelle méthode identifiait correctement les patients les plus similaires, permettant au modèle de faire des prédictions plus nettes et plus précises. Curieusement, bien que la nouvelle méthode rende parfois les prédictions légèrement moins parfaitement calibrées par rapport aux probabilités exactes, l'amélioration massive de sa capacité à distinguer les patients signifiait que la précision globale de la prédiction était plus élevée. Dans une simulation spécifique avec des signaux modérés, les meilleurs résultats provenaient de l'entraînement du modèle sur seulement les vingt pour cent des patients les plus similaires, plutôt que d'utiliser l'ensemble du jeu de données.
Pour voir si cela tenait la route dans le monde réel, l'équipe a appliqué sa méthode à une base de données massive et réelle de dossiers de soins intensifs provenant de plus de 200 000 séjours de patients à travers les États-Unis. Ils se sont concentrés sur la prédiction de la survie d'un patient durant son séjour hospitalier, en utilisant un mélange de données démographiques et de mesures de signes vitaux continus et complexes, comme la fréquence cardiaque et le taux d'oxygène au cours des vingt-quatre premières heures. Tout comme dans les simulations, la nouvelle méthode pondérée a surpassé l'approche standard. Lorsque les chercheurs ont utilisé leur nouvel outil pour sélectionner les vingt pour cent de patients les plus similaires pour entraîner le modèle pour un individu spécifique, les prédictions résultantes étaient plus précises que celles faites en utilisant la méthode standard ou l'ensemble du jeu de données. L'étude suggère qu'en laissant les données déterminer quels facteurs comptent le plus, plutôt qu'en s'appuyant sur des règles fixes ou des suppositions d'experts, les modèles médicaux peuvent devenir beaucoup plus précis. Les chercheurs notent que, bien que leur méthode soit très prometteuse, elle est plus efficace lorsque les signaux sous-jacents dans les données sont forts, et ils prévoient d'explorer comment ces techniques pourraient fonctionner avec des modèles d'apprentissage automatique encore plus complexes à l'avenir.
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.