RÉSULTATS

Une équipe dirigée par l’UCLA a développé un modèle d’apprentissage automatique capable de prédire, avec un degré élevé de précision, la survie à court terme des patients dialysés sous thérapie de remplacement rénal continu (CRRT).

ARRIÈRE-PLAN

La CRRT est une thérapie destinée aux patients hospitalisés très malades dont l’état de santé ne permet pas une hémodialyse régulière. Il s’agit d’une thérapie plus douce qui permet un traitement continu sur une période plus longue. Cependant, environ la moitié des adultes qui subissent une CRRT ne survivent pas, ce qui rend le traitement inutile tant pour les patients que pour leurs familles.

MÉTHODE

Pour aider les médecins à décider si un patient doit commencer une CRRT, les chercheurs ont développé un modèle d’apprentissage automatique qui utilise les données de milliers de dossiers de santé électroniques de patients pour prédire leurs chances de survivre au traitement.

EFFETS

Les résultats fournissent un outil basé sur les données pour soutenir la prise de décision clinique. Cet outil intègre des techniques avancées d’apprentissage automatique pour analyser des données patientes volumineuses et complexes, ce qui représentait auparavant un défi pour les médecins. L’étude montre comment l’intégration de modèles d’apprentissage automatique dans les soins de santé peut améliorer les résultats pour les patients et la gestion des ressources.

COMMENTAIRE

« La CRRT est souvent utilisée en dernier recours, mais de nombreux patients ne survivent pas, ce qui entraîne un gaspillage de ressources et de faux espoirs pour les familles », a déclaré le Dr. Ira Kurtz, chef de la division de néphrologie de l’UCLA et auteur principal de l’étude. « En nous permettant de prédire quels patients en bénéficieront, le modèle vise à améliorer les résultats pour les patients et l’utilisation des ressources en servant de base pour tester son utilité dans les futurs essais cliniques. Comme tous les modèles d’apprentissage automatique, il doit être testé dans le monde réel pour déterminer si ses prédictions sont aussi précises chez des patients sur lesquels il n’a pas été formé.

AUTEURS

Les autres auteurs incluent Davina Zamanzadeh, Jeffrey Feng, Panayiotis Petousis, Arvind Vepa, Majid Sarrafzadeh et Alex Bui de l’UCLA et S. Ananth Karumanchi du Cedars Sinai Medical Center à Los Angeles.

AGENDA

L’étude sera publiée dans la revue à comité de lecture Communication naturelle.

FINANCEMENT

Ce travail a été soutenu en partie par le financement du programme de formation à la recherche avancée sur les reins, l’urologie et l’hématologie (NIH NIDDK U2C DK129496), la subvention de formation en informatique d’imagerie médicale (NIH NIBIB T32 EB016640) et la subvention UCLA CTSI (NIH UL1 TR001881). ). , la Smidt Family Foundation, la Factor Family Foundation, le Davita Allen Nissenson Research Fund, le Ralph Block Family Fund et le Kleeman Family Fund.

Source:

Référence du magazine :

Zamanzadeh, D., et autres. (2024). Prédiction basée sur des données de la survie sous thérapie de remplacement rénal continu. Communication naturelle. est ce que je.org/10.1038/s41467-024-49763-3.



Source