L'apprentissage automatique pourrait contribuer à réduire les hospitalisations de près de 30 % en cas de pandémie, selon une étude

Une nouvelle étude met en lumière une approche prometteuse utilisant l'apprentissage automatique pour allouer plus efficacement les traitements médicaux en cas de pandémie ou de pénurie de produits thérapeutiques.

Les résultats, publiés dans le JAMA Health Forum, ont révélé une réduction significative des hospitalisations prévues grâce à l'utilisation de l'apprentissage automatique pour aider à distribuer les médicaments, en utilisant la pandémie COVID-19 pour tester le modèle. Le modèle s'est avéré réduire les hospitalisations d'environ 27 % par rapport aux soins réels et observés.

« Pendant la pandémie, le système de santé était à bout de souffle et de nombreux établissements de santé s'appuyaient sur le principe du premier arrivé, premier servi ou sur les antécédents médicaux du patient pour déterminer qui recevrait les traitements », explique l'auteur principal de l'article, le docteur Adit Ginde, professeur de médecine d'urgence à l'université du Colorado Anschutz Medical Campus.

« Cependant, ces méthodes ne tiennent souvent pas compte des interactions complexes qui peuvent se produire chez les patients lorsqu'ils prennent des médicaments afin de déterminer l'efficacité clinique attendue et peuvent négliger des patients qui bénéficieraient le plus d'un traitement. Nous montrons que l'apprentissage automatique dans ces scénarios est un moyen d'utiliser des données réelles en temps réel pour éclairer la prise de décision en matière de santé publique », ajoute Adit Ginde.

Dans l'étude, les chercheurs ont montré que l'utilisation de l'apprentissage automatique, qui examine comment les patients bénéficient différemment du traitement, peut fournir aux médecins, aux systèmes de santé et aux responsables de la santé publique des informations plus précises en temps réel que les modèles traditionnels de score d'attribution. Mengli Xiao, professeur adjoint de biostatistique et d'informatique, a mis au point le système d'attribution des AcM basé sur l'apprentissage automatique.

« Les méthodes d'attribution existantes ciblent principalement les patients qui présentent un profil de risque élevé d'hospitalisation sans traitement. Elles pourraient négliger les patients qui bénéficient le plus des traitements. Nous avons mis au point un système de points d'allocation d'AcM (anticorp monoclonal) basé sur des estimations de l'hétérogénéité de l'effet du traitement à partir de l'apprentissage automatique. Notre répartition donne la priorité aux caractéristiques des patients associées à des effets de traitement causaux importants, afin d'optimiser les avantages globaux du traitement lorsque les ressources sont limitées », précise Mengli Xiao.

Plus précisément, les chercheurs ont étudié l'efficacité de l'ajout d'une nouvelle méthode basée sur les arbres d'apprentissage des politiques (PLT) pour optimiser l'allocation des anticorps monoclonaux neutralisants COVID-19 pendant les périodes de restriction des ressources.

L'approche PLT a été conçue pour décider des traitements à attribuer aux individus de manière à maximiser les avantages globaux pour la population (en veillant à ce que les personnes présentant le risque d'hospitalisation le plus élevé soient sûres de recevoir des traitements, en particulier lorsque les traitements sont rares). Pour ce faire, ils tiennent compte de la manière dont les différents facteurs influent sur l'efficacité du traitement.

Les chercheurs ont comparé l'approche d'apprentissage automatique à des décisions réelles et à un système standard d'attribution de points utilisé pendant la pandémie. Ils ont constaté que le modèle basé sur les PLTs permettait une réduction significative des hospitalisations prévues par rapport à l'allocation observée. Cette amélioration a également dépassé les performances du score de dépistage des anticorps monoclonaux, qui observe les anticorps pour le diagnostic.

« L'utilisation d'une approche innovante telle que l'apprentissage automatique va au-delà des crises telles que la pandémie de COVID-19 et montre que nous pouvons fournir des décisions de santé publique personnalisées même lorsque les ressources sont limitées dans n'importe quel scénario. Pour ce faire, il est important que des plateformes de données robustes et en temps réel, comme celles que nous avons développées pour ce projet, soient mises en œuvre afin de fournir des décisions basées sur des données », ajoute M. Ginde, qui dirige l'Institut des sciences cliniques et translationnelles du Colorado à l'Université de Californie à Anschutz.

L'article publié dans le JAMA Health Forum sera la 15e publication issue d'un projet appelé Monoclonal Antibody (mAB) Colorado. Ce projet visait à faire le plus de bien possible au plus grand nombre, en utilisant des données réelles pour prendre des décisions fondées sur des données pendant la pandémie de grippe aviaire COVID-19.

Les chercheurs espèrent que cet article encouragera les organismes de santé publique, les décideurs politiques et les agences de gestion des catastrophes à étudier des méthodes telles que l'apprentissage automatique à mettre en œuvre en cas de future crise de santé publique.

https://jamanetwork.com/journals/jama-health-forum/fullarticle/2823385