Les modèles d'apprentissage automatique peuvent informer de manière fiable les cliniciens sur la progression du handicap lié à la sclérose en plaques, selon une nouvelle étude publiée cette semaine dans la revue en libre accès Santé numérique PLOS par Edward De Brouwer de la KU Leuven, Belgique, et ses collègues.
La sclérose en plaques (SEP) est une maladie auto-immune chronique progressive qui entraîne au fil du temps un handicap grave selon un schéma complexe de progression, de rétablissement et de rechute. Sa prévalence mondiale a augmenté de plus de 30 % au cours de la dernière décennie. Pourtant, il existe peu d'outils permettant de prédire la progression de la SEP pour aider les cliniciens et les patients à planifier leur vie et à prendre des décisions en matière de traitement.
Dans la nouvelle étude, De Brouwer et ses collègues ont utilisé des données sur 15 240 adultes avec au moins trois ans d'antécédents de SEP et traités dans 146 centres de SEP dans 40 pays. Les données sur deux ans de progression de la maladie de chaque patient ont été utilisées pour former des modèles d'apprentissage automatique de pointe afin de prédire la probabilité de progression de la maladie au cours des mois et des années suivants. Les modèles ont été formés et validés à l'aide de directives cliniques strictes, favorisant l'applicabilité des modèles dans la pratique clinique. Bien que les performances des modèles individuels varient selon les sous-groupes de patients, les modèles avaient une aire moyenne sous la courbe ROC (ROC-AUC) de 0,71 ± 0,01. L'étude a révélé que l'historique de la progression de l'invalidité était plus prédictif de la progression future de l'invalidité que l'historique du traitement ou des rechutes.
Les auteurs concluent que les modèles développés dans l’étude ont le potentiel d’améliorer considérablement la planification pour les personnes atteintes de SEP et pourraient être évalués dans une étude d’impact clinique.
De Brouwer ajoute : « En utilisant l'histoire clinique de plus de 15 000 personnes atteintes de sclérose en plaques, nous avons formé un modèle d'apprentissage automatique capable de prédire de manière fiable la probabilité de progression du handicap au cours des deux prochaines années. Le modèle utilise uniquement des variables cliniques collectées de manière routinière, ce qui le rend largement applicable. Notre analyse comparative rigoureuse et notre validation externe soutiennent le vaste potentiel des modèles d'apprentissage automatique pour aider les patients à planifier leur vie et les cliniciens à optimiser leurs stratégies de traitement. »
Une étude révèle comment certaines bactéries E. coli présentes dans l'intestin favorisent le cancer du côlon