Une nouvelle étude met en lumière une approche prometteuse utilisant l'apprentissage automatique pour répartir plus efficacement les traitements médicaux pendant une pandémie ou à chaque fois qu'il y a une pénurie de produits thérapeutiques.
Les résultats, publiés aujourd'hui dans Forum sur la santé de la JAMAa constaté une réduction significative des hospitalisations prévues lors de l'utilisation de l'apprentissage automatique pour aider à distribuer les médicaments en utilisant la pandémie de COVID-19 pour tester le modèle. Le modèle s'avère réduire les hospitalisations de manière relative d'environ 27 % par rapport aux soins réels et observés.
« Pendant la pandémie, le système de santé était à un point de rupture et de nombreux établissements de santé s'appuyaient sur le principe du premier arrivé, premier servi ou sur les antécédents médicaux d'un patient pour déterminer qui recevait les traitements », a déclaré l'auteur principal de l'étude, Adit Ginde, MD, professeur de médecine d'urgence au campus médical Anschutz de l'Université du Colorado.
Cependant, ces méthodes ne tiennent souvent pas compte des interactions complexes qui peuvent se produire chez les patients prenant des médicaments pour déterminer l'efficacité clinique attendue et peuvent négliger les patients qui bénéficieraient le plus du traitement. Nous montrons que l'apprentissage automatique dans ces scénarios est un moyen d'utiliser des données probantes en temps réel et concrètes pour éclairer la prise de décision en matière de santé publique.
Dr Adit Ginde, professeur de médecine d'urgence, campus médical Anschutz de l'université du Colorado
Dans l’étude, les chercheurs ont montré que l’utilisation de l’apprentissage automatique qui examine la manière dont les patients individuels bénéficient différemment du traitement peut fournir aux médecins, aux systèmes de santé et aux responsables de la santé publique des informations plus précises en temps réel que les modèles de score d’allocation traditionnels. Mengli Xiao, PhD, professeur adjoint en biostatistique et informatique, a développé le système d’allocation des mAb basé sur l’apprentissage automatique.
« Les méthodes d’allocation existantes ciblent principalement les patients qui présentent un profil de risque élevé d’hospitalisation sans traitement. Elles pourraient négliger les patients qui bénéficient le plus des traitements. Nous avons développé un système de points d’allocation d’anticorps monoclonaux basé sur des estimations d’hétérogénéité des effets du traitement à partir de l’apprentissage automatique. Notre allocation donne la priorité aux caractéristiques des patients associées à des effets causaux importants du traitement, cherchant à optimiser les avantages globaux du traitement lorsque les ressources sont limitées », a déclaré Xiao, qui est également professeur au Centre de conception et d’analyse innovantes (CIDA).
Plus précisément, les chercheurs ont étudié l’efficacité de l’ajout d’une nouvelle méthode basée sur les arbres d’apprentissage des politiques (PLT) pour optimiser l’allocation des anticorps monoclonaux neutralisants (mAbs) COVID-19 pendant les périodes de contraintes de ressources.
L'approche PLT a été conçue pour décider quels traitements attribuer aux individus de manière à maximiser les bénéfices globaux pour la population (en veillant à ce que les personnes les plus à risque d'hospitalisation reçoivent des traitements, en particulier lorsque les traitements sont rares). Cela se fait en prenant en compte la façon dont différents facteurs affectent l'efficacité du traitement.
Les chercheurs ont comparé l’approche d’apprentissage automatique avec des décisions prises dans le monde réel et un système d’attribution de points standard utilisé pendant la pandémie. Ils ont constaté que le modèle basé sur les PLT démontrait une réduction significative des hospitalisations prévues par rapport à l’attribution observée. Cette amélioration a également dépassé les performances du score de dépistage des anticorps monoclonaux, qui observe les anticorps à des fins de diagnostic.
« L’utilisation d’une approche innovante comme l’apprentissage automatique va au-delà des crises telles que la pandémie de COVID-19 et montre que nous pouvons fournir des décisions de santé publique personnalisées même lorsque les ressources sont limitées dans n’importe quel scénario. Pour ce faire, cependant, il est important que des plateformes de données robustes et en temps réel, comme celle que nous avons développée pour ce projet, soient mises en œuvre pour fournir des décisions basées sur les données », ajoute Ginde, responsable du Colorado Clinical and Translational Sciences Institute de CU Anschutz.
Le papier dans Forum sur la santé de la JAMA sera le 15ème Publication issue d'un projet appelé Monoclonal Antibody (mAB) Colorado, financé par une subvention des National Institutes of Health (NIH) et du National Center for Advancing Translational Sciences (NCATS). Le projet s'est attaché à faire le plus de bien possible au plus grand nombre, en utilisant des preuves du monde réel pour prendre des décisions fondées sur des données pendant la pandémie de COVID-19.
Les chercheurs espèrent que cet article encouragera les entités de santé publique, les décideurs politiques et les agences de gestion des catastrophes à examiner des méthodes telles que l’apprentissage automatique à mettre en œuvre en cas de future crise de santé publique.
