Une récente Médecine numérique Npj L’étude a évalué l’efficacité de COMPOSER, un modèle d’apprentissage profond pour la prédiction précoce du sepsis. Elle a évalué l’impact de ce modèle sur la qualité des soins aux patients et les taux de survie liés à cette pathologie.
Étude : Impact d’un modèle de prédiction du sepsis par apprentissage profond sur la qualité des soins et la survie. Crédit d’image : Kateryna Kon/Shutterstock
Sommaire
Arrière-plan
La septicémie est une maladie grave qui survient lorsque le corps réagit de manière inappropriée à une infection. Selon une estimation récente, environ 48,9 millions de personnes dans le monde développent une septicémie, et beaucoup en meurent chaque année. La détection précoce du sepsis est essentielle car elle détermine l’évolution globale de la maladie.
Plusieurs stratégies, telles que la réanimation liquidienne et l’administration d’antibiotiques, ont été utilisées pour traiter la septicémie dans les hôpitaux. Il est difficile d’identifier les personnes atteintes de sepsis en raison de l’hétérogénéité liée à cette pathologie. Pour surmonter ce défi, des modèles prédictifs ont été conçus pour la détection précoce du sepsis.
Un modèle d’apprentissage profond peut s’avérer très utile pour prédire le sepsis, car il a la capacité d’analyser les corrélations non linéaires, temporelles et complexes entre les facteurs de risque. De plus, ce modèle peut traiter de vastes ensembles de données multimodales contenant des notes cliniques, des images radiologiques et des données de capteurs portables. Un autre avantage des modèles basés sur l’apprentissage profond est leur cadre flexible pour l’apprentissage par transfert.
Comme mentionné précédemment, COMPOSER est un modèle prédictif de sepsis basé sur l’apprentissage profond, qui obtient des données de santé en temps réel à partir d’enregistrements électroniques pour prédire la maladie. Un nombre limité d’algorithmes de sepsis ont été testés pour comprendre leur efficacité en ce qui concerne les résultats pour les patients. Il convient de noter que les algorithmes existants ont présenté une faible valeur prédictive positive (VPP). Les fréquentes alertes faussement positives de ces modèles ont suscité une méfiance importante quant à leur efficacité. Contrairement à ces algorithmes, COMPOSER a été conçu pour réduire les fausses alarmes en identifiant des échantillons impairs.
À propos de l’étude
L’étude actuelle a examiné l’efficacité du modèle d’apprentissage profond COMPOSER dans la détection précoce du sepsis et son impact sur les résultats pour les patients. Pour l’analyse des scores de risque, ce modèle de réseau neuronal incorporait les données démographiques des patients, les rapports de laboratoire, les signes vitaux, les comorbidités et les médicaments concomitants.
Sur la base de ce score, la susceptibilité des patients à développer un sepsis pourrait être prédite dans les quatre heures. Il est important de noter que ce modèle est conçu pour éviter les échantillons hors distribution qui pourraient survenir en raison d’erreurs de saisie des données ou de cas inconnus.
Une équipe de médecins a évalué les résultats de COMPOSER pour déterminer l’exactitude et l’utilité des alertes de sepsie. Sur la base des recommandations des médecins, l’algorithme a été ajusté. Au cours de la phase de mise en œuvre, le personnel soignant a reçu des informations appropriées sur le modèle COMPOSER.
Conseil sur les meilleures pratiques COMPOSER.
Résultats de l’étude
La présente étude quasi-expérimentale avant-après a évalué l’efficacité d’un modèle d’apprentissage profond en temps réel pour prédire la septicémie dans deux services d’urgence (SU). Il est intéressant de noter qu’une augmentation de 5,0 % de l’observance du traitement du sepsis a été observée, ainsi qu’une diminution de 1,9 % de la mortalité liée au sepsis à l’hôpital.
Au total, 6 217 patients dans les services d’urgence entre le 1er janvier 2021 et le 30 avril 2023 remplissaient les critères d’éligibilité du sepsis décrits dans le consensus Sepsis-3. Au total, 5 065 patients ont été identifiés dans la phase pré-intervention et 1 152 dans la phase post-intervention.
La majorité des patients atteints de sepsis présentaient des niveaux similaires de comorbidité. Des caractéristiques de base similaires ont été observées dans les cas pré-intervention et post-intervention. Durant la période post-intervention, environ 235 alertes ont été générées par mois par le personnel soignant. On a estimé que chaque infirmière générait environ 1,65 alertes chaque mois.
L’étude actuelle a démontré que l’utilisation de modèles d’apprentissage profond en milieu clinique améliorerait considérablement les résultats intermédiaires du sepsis, comme une diminution des lésions organiques 72 heures après le début du sepsis. Selon la prédiction du modèle, 55 % des patients ont reçu des antibiotiques plus tôt, ce qui aurait pu contribuer à la réduction de la mortalité hospitalière.
Il convient de noter que le modèle d’apprentissage profond COMPOSER a pu réduire considérablement les fausses alarmes. Cela a considérablement réduit le temps inutile consacré aux faux diagnostics et les ressources utilisées pour ces derniers.
Conclusions
L’étude actuelle présente certaines limites, notamment un manque de randomisation. Cela a empêché la détermination des inférences causales ou a fourni un aperçu mécaniste de celles-ci. Bien qu’une grande cohorte provenant de deux services d’urgence ait été prise en compte dans cette étude, une validation externe d’autres hôpitaux est également nécessaire. L’impact des alertes générées par le modèle d’apprentissage profond sur le sepsis sur les patients, en particulier ceux qui n’ont finalement pas développé de sepsis, n’a pas été évalué.
Malgré les limites, cette étude a démontré que l’utilisation de modèles de prédiction du sepsis basés sur une apprentissage profond en milieu clinique pourrait réduire positivement la mortalité interne. Par exemple, environ 55 % des cas ont été transférés dès que possible à des médecins, qui ont reçu une intervention antibiotique en temps opportun. Cela a entraîné une diminution des lésions des organes après 72 heures. De plus, ce modèle a également permis une plus grande conformité au programme de sepsis.
