Un modèle basé sur l’apprentissage automatique qui permet aux institutions médicales de prédire le risque de mortalité pour les patients individuels en chirurgie cardiaque a été développé par une équipe de recherche de Mount Sinai, offrant un avantage de performance significatif par rapport aux modèles actuels dérivés de la population.
Le nouvel algorithme basé sur les données, construit sur des trésors de dossiers de santé électroniques (DSE), est le premier modèle spécifique à l’établissement pour évaluer le risque d’un patient cardiaque avant la chirurgie, permettant ainsi aux prestataires de soins de santé de suivre le meilleur plan d’action pour cet individu . Les travaux de l’équipe ont été décrits dans une étude publiée dans Le Journal of Thoracic and Cardiovascular Surgery (JTCVS) Ouvert.
Les modèles de risque standard de soins utilisés aujourd’hui sont limités par leur applicabilité à des types spécifiques de chirurgies, laissant de côté un nombre important de patients subissant des procédures complexes ou combinées pour lesquelles aucun modèle n’existe. Notre équipe a rigoureusement combiné les données des dossiers de santé électroniques et les méthodes d’apprentissage automatique pour démontrer pour la première fois comment les établissements individuels peuvent créer leurs propres modèles de risque pour la mortalité post-chirurgie cardiaque. »
Ravi Iyengar, Ph.D., auteur principal, titulaire de la chaire Dorothy H. et Lewis Rosenstiel de sciences pharmacologiques à l’Icahn School of Medicine du mont Sinaï et directeur du Mount Sinai Institute for Systems Biomedicine
Des modèles de prédiction basés sur des algorithmes d’apprentissage automatique ont été générés dans divers domaines de la médecine, et certains ont montré des résultats améliorés par rapport à leurs homologues standard de soins. En chirurgie cardiaque, les scores de risque de la Society of Thoracic Surgeons (STS) sont considérés comme l’étalon-or et sont couramment utilisés pour évaluer le risque d’intervention d’un patient en chirurgie cardiaque. Bien qu’ils continuent de fournir des repères importants aux hôpitaux pour évaluer et améliorer leurs performances, ils sont dérivés de données au niveau de la population et peuvent donc ne pas prédire avec précision le risque pour des patients spécifiques atteints de pathologies compliquées qui nécessitent des évaluations préopératoires personnalisées et des chirurgies complexes.
Des chirurgiens cardiovasculaires et des spécialistes de la science des données à l’hôpital Mount Sinai, supervisés par le co-auteur principal Gaurav Pandey, PhD, professeur agrégé de génétique et de sciences génomiques à Icahn Mount Sinai, ont émis l’hypothèse que des modèles basés sur l’apprentissage automatique utilisant les données EHR de leur propre institution pourraient proposer une solution efficace. Ils ont donc créé un cadre d’apprentissage automatique rigoureux utilisant des données de DSE collectées en routine pour développer un modèle de prédiction du risque de mortalité post-chirurgicale qui est à la fois personnalisé pour le patient et spécifique à l’hôpital ; incorporant implicitement des informations importantes sur la population de patients du mont Sinaï, telles que la démographie, les facteurs socioéconomiques et les caractéristiques de santé. Cela contraste avec les modèles dérivés de la population comme STS, qui sont basés sur des données provenant de divers systèmes de santé dans différentes parties du pays. Les performances de cette méthodologie ont été renforcées par un algorithme de prédiction open source très efficace connu sous le nom de XGBoost, qui construit un ensemble d’arbres de décision en se concentrant progressivement sur des sous-ensembles de données de formation plus difficiles à prédire.
L’étude était dirigée par l’auteur co-correspondant Aaron J Weiss, MD, PhD, ancien résident en chirurgie cardiothoracique à l’hôpital Mount Sinai et titulaire d’un doctorat en recherche clinique d’Icahn Mount Sinai, qui est maintenant à la Cleveland Clinic. Arjun Yadaw, PhD, professeur adjoint auxiliaire de sciences pharmacologiques à Icahn Mount Sinai, et actuellement scientifique principal des données au National Center for Advancing Translational Science, qui fait partie des National Institutes of Health (NIH NCATS), a également codirigé les travaux. Ces chercheurs ont utilisé XGBoost pour modéliser 6 392 chirurgies cardiaques effectuées à l’hôpital Mount Sinai de 2011 à 2016, y compris des procédures de valves cardiaques ; pontage de l’artère coronaire; résection, remplacement ou anastomose aortique ; et les chirurgies cardiaques réopératives, dont il a été démontré qu’elles augmentent sensiblement le risque de mortalité. L’équipe a ensuite comparé les performances de son modèle aux modèles STS pour les mêmes ensembles de patients.
L’étude a montré que le modèle XGBoost surpassait les scores de risque STS pour la mortalité dans toutes les catégories de chirurgie cardiaque couramment pratiquées pour lesquelles les scores STS étaient conçus. Les performances de prédiction du modèle XGBoost pour tous les types de chirurgie étaient également élevées, démontrant le potentiel de l’apprentissage automatique et des données de DSE pour créer des modèles efficaces spécifiques à l’établissement.
« Une prédiction précise de la mortalité post-chirurgicale est essentielle pour garantir les meilleurs résultats pour les patients en chirurgie cardiaque, et notre étude montre que les modèles spécifiques à l’établissement peuvent être préférables à la norme clinique basée sur les données de la population », souligne le Dr Pandey. « Tout aussi important, nous avons démontré qu’il est pratique pour les établissements de soins de santé de développer leurs propres modèles prédictifs grâce à des algorithmes d’apprentissage automatique sophistiqués pour remplacer ou compléter le modèle STS établi. »
Cette étude a été financée par des subventions des National Institutes of Health.
