La prédiction de la mortalité grâce à l'apprentissage automatique

L'apprentissage automatique et d'autres formes d'intelligence artificielle sont considérés comme des moyens viables d'améliorer la capacité de prédiction des outils cliniques existants, tels que les scores pronostiques. Une étude récente a examiné l'utilisation de modèles de réseau probabiliste causal pour prédire la mortalité chez les patients atteints de pneumonie acquise dans la communauté (PAC). Le modèle a été comparé à plusieurs scores cliniques existants, tels que le SOFA, le PSI, le qSOFA et le critère CURB-65, qui sont utilisés pour évaluer la gravité de la maladie. Les résultats ont montré que le modèle SeF-ML, développé pour prédire la mortalité chez les patients atteints de sepsis, avait une AUC de 0,801 pour la prédiction de la mortalité à 30 jours dans la cohorte de dérivation, contre 0,764 pour le critère CURB-65 et 0,729 pour le qSOFA. Il convient de noter que les modèles SeF sont propriétaires, mais les résultats de cette étude montrent que l'utilisation de données structurées peut aider à améliorer la prédiction de la mortalité chez les patients atteints de PAC. Cependant, d'autres études sont nécessaires pour renforcer la généralisabilité de ces résultats. L'utilisation de l'apprentissage automatique dans le domaine de la santé est un domaine en constante évolution, et cette étude montre que des progrès sont possibles pour améliorer les soins aux patients atteints de PAC.