Un récent Médecine numérique Npj L’étude a évalué l’efficacité de COMPOSER, un modèle d’apprentissage profond pour la détection précoce du sepsis. L’impact de ce modèle sur la qualité des soins aux patients et les taux de survie associés à cette maladie a été évalué.
Étude: Impact d’un modèle de prédiction du sepsis par apprentissage profond sur la qualité des soins et la survie. Source de l’image : Kateryna Kon / Shutterstock
arrière-plan
La septicémie est une maladie grave qui survient lorsque le corps ne réagit pas correctement à une infection. Selon une estimation récente, environ 48,9 millions de personnes dans le monde souffrent de sepsis et beaucoup en meurent chaque année. La détection précoce du sepsis est cruciale car elle influence l’évolution globale de la maladie.
Diverses stratégies ont été utilisées pour traiter le sepsis dans les hôpitaux, telles que la réanimation liquidienne et l’administration d’antibiotiques. En raison de l’hétérogénéité associée à cette maladie, il est difficile d’identifier les personnes atteintes de sepsis. Pour surmonter ce défi, des modèles prédictifs de détection précoce du sepsis ont été développés.
Un modèle d’apprentissage profond peut être d’une grande utilité pour prédire le sepsis en raison de sa capacité à analyser les corrélations non linéaires, temporelles et complexes entre les facteurs de risque. De plus, ce modèle peut gérer de grands ensembles de données multimodales comprenant 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 de prédiction du 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 sur les résultats pour les patients. Il convient de noter que les algorithmes existants ont une faible valeur prédictive positive (VPP). Les fausses alarmes fréquentes de ces modèles ont conduit à une méfiance importante quant à leur efficacité. Contrairement à ces algorithmes, COMPOSER est conçu pour réduire les faux positifs en identifiant les 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 de l’évaluation des risques, ce modèle de réseau neuronal a pris en compte les données 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 une septicémie pourrait être prédite dans les quatre heures. Il est important de noter que ce modèle est conçu pour éviter un échantillonnage hors distribution qui pourrait se produire en raison d’erreurs de saisie de données ou de cas inconnus.
Une équipe de médecins a évalué les résultats du 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 infirmier a reçu des informations pertinentes sur le modèle COMPOSER.
Conseils de bonnes 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. 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 hospitalière liée au sepsis.
Un total de 6 217 patients aux urgences entre le 1er janvier 2021 et le 30 avril 2023 répondaient aux critères d’éligibilité en matière de 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 de comorbidité similaires. Des caractéristiques de base similaires ont été observées dans les cas pré- et post-intervention. Au cours de la période post-intervention, le personnel infirmier a généré environ 235 alarmes par mois. On a estimé que chaque infirmière générait environ 1,65 alertes chaque mois.
L’étude actuelle a expliqué que l’utilisation de modèles d’apprentissage profond en milieu clinique améliorerait considérablement les résultats intermédiaires du sepsis, tels qu’une réduction des lésions organiques 72 heures après le début du sepsis. D’après la prédiction du modèle, 55 % des patients ont reçu des antibiotiques plus tôt, ce qui aurait pu contribuer à une réduction de la mortalité hospitalière.
Il convient de noter que le modèle d’apprentissage profond COMPOSER a pu réduire considérablement les faux positifs. Cela a considérablement réduit le temps inutile consacré aux erreurs de diagnostic et les ressources utilisées à cet effet.
Conclusions
L’étude actuelle présente plusieurs limites, notamment le manque de randomisation. Cela a entravé la détermination des inférences causales ou a fourni un aperçu mécaniste de celles-ci. Bien que cette étude ait porté sur une large cohorte provenant de deux services d’urgence, une validation externe d’autres hôpitaux est également requise. 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. Environ 55 % des cas ont été orientés le plus rapidement possible vers des médecins qui ont reçu une intervention antibiotique en temps opportun. Cela a conduit à une diminution des lésions des organes après 72 heures. De plus, ce modèle a également permis une meilleure conformité du bundle de sepsis.