"Grâce à des modèles d’IA, des simulations sont réalisées sur ordinateur, selon trois objectifs : analyser, comprendre et prédire un phénomène." Aurélie Jean
Daniel Axford, Ferdous Sohel, Vida Abedi, Ye Zhu, Ramin Zand, Ebrahim Barkoudah, Troy Krupica, Kingsley Iheasirim, Umesh M Sharma, Sagar B Dugani, Paul Y Takahashi, Sumit Bhagra, Mohammad H Murad, Gustavo Saposnik, Mohammed Yousufuddin, Development and internal validation of machine learning–based models and external validation of existing risk scores for outcome prediction in patients with ischaemic stroke,
Développement et validation interne de modèles basés sur l'apprentissage automatique et validation externe des scores de risque existants pour la prédiction des résultats chez les patients ayant subi un AVC ischémique
European Heart Journal - Digital Health, 2023;, ztad073, https://doi.org/10.1093/ehjdh/ztad073
https://academic.oup.com/ehjdh/advance-article/doi/10.1093/ehjdh/ztad073/7441951
Nous avons développé de nouveaux modèles d'apprentissage automatique (ML) et des modèles statistiques existants validés en externe [score de risque prédictif d'accident vasculaire cérébral ischémique (iScore) et scores totaux de risques pour la santé lors d'événements vasculaires (THRIVE)] pour prédire le composite d'accident vasculaire cérébral récurrent ou de mortalité toutes causes confondues à 90 jours et 3 ans après l'hospitalisation pour premier accident vasculaire cérébral ischémique aigu (AIS).
Chez les adultes hospitalisés avec AIS de janvier 2005 à novembre 2016, avec un suivi jusqu'en novembre 2019, nous avons développé trois modèles ML [forêt aléatoire (RF), machine à vecteurs de support (SVM) et renforcement de gradient extrême (XGBOOST)] et validés en externe. les scores iScore et THRIVE pour prédire les résultats composites après une hospitalisation pour AIS, en utilisant les données de 721 patients et 90 variables prédictives potentielles.
À 90 jours et 3 ans, respectivement 11 et 34 % des patients ont atteint le résultat composite. Pour la prévision sur 90 jours, l'aire sous la courbe caractéristique de fonctionnement (AUC) du récepteur était de 0,779 pour RF, 0,771 pour SVM, 0,772 pour XGBOOST, 0,720 pour iScore et 0,664 pour THRIVE. Pour la prévision sur 3 ans, l'ASC était de 0,743 pour RF, 0,777 pour SVM, 0,773 pour XGBOOST, 0,710 pour iScore et 0,675 pour THRIVE.
L'étude a fourni trois modèles prédictifs basés sur l'apprentissage automatique qui ont permis d'obtenir une bonne discrimination et une bonne utilité clinique dans la prédiction des résultats après l'AIS et ont élargi l'application des systèmes de notation iScore et THRIVE pour la prédiction des résultats à long terme. Nos résultats justifient des analyses comparatives du ML et des outils de prédiction des risques basés sur des méthodes statistiques existants pour la prédiction des résultats après AIS dans de nouveaux ensembles de données.
Courbes caractéristiques de fonctionnement du récepteur et tracés d'étalonnage pour un résultat à 90 jours. Les courbes caractéristiques de fonctionnement du récepteur pour prédire un accident vasculaire cérébral composite ou récurrent ou une mortalité 90 jours après l'hospitalisation pour un AVC ischémique aigu sont présentées dans les ensembles de données de développement ( A ) et de validation interne ( B ) stratifiés selon des modèles individuels utilisant tous les prédicteurs. Les tracés d'étalonnage correspondants sont représentés pour les ensembles de données de développement ( C ) et de validation interne ( D ). Le panneau inférieur illustre les courbes caractéristiques de fonctionnement du récepteur pour chaque modèle [( E ) développement, ( F ) ensembles de données de validation interne] et des tracés d'étalonnage [( G ) développement, ( H ) ensembles de données de validation interne] pour prédire le résultat à 90 jours en utilisant le 10 prédicteurs les plus importants. AUC, aire sous la courbe caractéristique de fonctionnement du récepteur ; IC, intervalle de confiance ; RF, forêt aléatoire ; SVM, machine à vecteurs de support ; XGBOOST, boosting de dégradé extrême.
Courbes caractéristiques de fonctionnement du récepteur et tracés d'étalonnage pour les résultats sur 3 ans. Les courbes caractéristiques de fonctionnement du récepteur pour prédire un accident vasculaire cérébral composite ou récurrent ou la mortalité 3 ans après l'hospitalisation pour un AVC ischémique aigu sont présentées dans les ensembles de données de développement ( A ) et de validation interne ( B ) stratifiés selon des modèles individuels utilisant tous les prédicteurs. Les tracés d'étalonnage correspondants sont représentés pour les ensembles de données de développement ( C ) et de validation interne ( D ). Le panneau inférieur illustre les courbes caractéristiques de fonctionnement du récepteur pour chaque modèle [( E ) développement, ( F ) ensembles de données de validation interne] et des tracés d'étalonnage [( G ) développement, ( H ) ensembles de données de validation interne] pour prédire les résultats sur 3 ans en utilisant le 10 prédicteurs les plus importants. AUC, aire sous la courbe caractéristique de fonctionnement du récepteur ; IC, intervalle de confiance ; RF, forêt aléatoire ; SVM, machine à vecteurs de support ; XGBOOST, boosting de dégradé extrême.
Les 10 principaux prédicteurs importants du résultat composite identifiés par la forêt aléatoire, l'augmentation extrême du gradient et la moyenne de tous les modèles. Les barres représentent la contribution relative des variables dans la prédiction du résultat clinique. Tous les modèles sont cohérents pour identifier l'exposition ou l'absence d'exposition aux médicaments antithrombotiques comme le prédicteur le plus important des résultats cliniques à 90 jours. De même, tous les modèles s’accordent pour identifier l’âge comme le prédicteur le plus important des résultats cliniques à 3 ans. ACEI, inhibiteur de l'enzyme de conversion de l'angiotensine ou bloqueur des récepteurs de l'angiotensine de type II ; IMC, indice de masse corporelle ; CCB, bloqueur des canaux calciques ; PAD, pression artérielle diastolique ; DM, diabète sucré ; LOS, durée du séjour ; NIHSS, échelle des instituts nationaux de santé pour les accidents vasculaires cérébraux ; PAS, pression artérielle systolique ; XGBOOST, boosting de dégradé extrême.
Les tracés d'analyse de la courbe de décision pour chaque modèle d'étude avec tous les prédicteurs sont présentés à 90 jours dans les ensembles de développement ( A ) et de validation interne ( B ) et à 3 ans dans les ensembles de développement ( C ) et de validation interne ( D ). De même, les tracés d'analyse de la courbe de décision pour chaque modèle d'étude avec les 10 prédicteurs les plus importants sont affichés à 90 jours dans l'ensemble de développement ( E ) et l'ensemble de validation interne ( F ) et à 3 ans dans les ensembles de développement ( G ) et de validation interne. ( H ). RF, forêt aléatoire ; SVM, machine à vecteurs de support ; XGBOOST, boosting de dégradé extrême.
Implications cliniques
Les médecins sont souvent confrontés à la tâche difficile d'estimer un pronostic tôt après une AIS (AVC ischémique aigue) pour aider à la prise de décision, au conseil aux patients et aux familles et à l'allocation des ressources, mais l'expertise clinique et la connaissance des indicateurs pronostiques individuels sont souvent insuffisantes pour prédire les résultats cliniques après une AIS. Bien que les scores iScore et THRIVE offrent une stratification efficace du risque après l'AIS, ils présentent certaines limites. Nos modèles avancés de ML basés sur l'intelligence artificielle, équipés d'analyses améliorées de la courbe de décision, ont fourni une précision accrue et une intégration potentiellement évolutive dans les flux de travail pour éclairer la prise de décision clinique pour le suivi à court et à long terme des patients atteints d'AIS. Par rapport aux outils de prévision des risques basés sur des méthodes statistiques, les modèles ML peuvent être auto-entraînés avec des données supplémentaires à l'avenir pour améliorer les résultats actuels et ne sont pas nécessairement simples étant donné le contexte d'une utilisation de plus en plus large de l'automatisation intégrée des dossiers médicaux électroniques.
In fine
Dans cette étude rétrospective, trois modèles ML basés sur l’intelligence artificielle ont été développés pour prédire le risque combiné à court et à long terme d’accident vasculaire cérébral récurrent ou de décès toutes causes confondues après la première AIS. Les modèles ML, iScore et les systèmes de scores THRIVE ont systématiquement démontré une bonne discrimination et une bonne utilité clinique pour prédire les résultats 90 jours et 3 ans après l'AIS. L'utilité des scores iScore et THRIVE s'est étendue pour inclure les accidents vasculaires cérébraux récurrents et les résultats de prédiction étendus de 1 à 3 ans après l'AIS. Les modèles ML présentent les avantages d'une amélioration supplémentaire des résultats en incorporant des données complexes supplémentaires à l'avenir, de l'auto-formation, de l'automatisation et de la facilité de mise en œuvre dans le flux de travail. Avant une mise en œuvre clinique plus large, des recherches supplémentaires sont nécessaires pour établir leur généralisabilité dans une population de patients plus large et plus hétérogène afin de garantir que les performances prédictives et l'utilité clinique sont préservées.
Commentaire
Très belle étude , bravo aux auteurs
L'A avance lentement en Médecine , mais avance de plus en plus dans tous les domaines
Les scores prédictifs en tout genre sont légions en médecine avec il faut le dire un aspect souvent décevant. Ce qui leur reste , les items qui constituent le score.
Avec l'IA prédictive on rentre dans une autre dimension à priori, au prix de nombreuses études, recueil exhaustifs des données etc. Ce qui va intéresser les médecins c'est un outil dérivé de l'IA prêt à fonctionner, un outil automatisé , un outil disponible en consultation, un outil qui ne complique pas la consultation car nous avons un patient devant nous, un outil "gratuit", on peut rêver La prédictivité si importante en médecine va devenir réalité grâce à l'IA, une médecine à la fois prédictive et personnalisée, voilà ce que l'IA peut nous apporter.
Un exemple d'IA qui fonctionne simplement en consultation , l'IA SOPHIA en chirurgie bariatriquequi prédit la perte de pois immédiate et durant 5 ans , je l'utilise régulièrement.
: https://medvasc.info/archives-blog/ia-bariatrique?highlight=WyJzb3BoaWEiXQ==
Un autre exemple l'IA PANDA sui prédit le cancer du pancréas : étude assez extraordinaire qui nous montre l'impact de l'IA sur la détection du cancer du pancréas avec un scanner non injecté et de l'IA. Grâce à l'IA cette imagerie surpasse la performance moyenne des radiologues de 34,1 % en sensibilité et de 6,3 % en spécificité pour l'identification PDAC, et atteint une sensibilité de 92,9 % et une spécificité de 99,9 % pour la détection des lésions dans une validation multi-scénarios réels comprenant 20 530 patients consécutifs. L'IA réalise un score gagnant pour les patients.
https://medvasc.info/archives-blog/ia-et-pancr%C3%A9as-panda?highlight=WyJpYSJd
IA Vasculaire
L'intelligence artificielle dans la prise de décision en chirurgie vasculaire
https://www.sciencedirect.com/science/article/abs/pii/S089579672300039X
IA / SFMV : Call to Action https://medvasc.info/archives-blog/call-to-action-sfmv-ia?highlight=WyJpYSJd
A LIRE https://www.medecinesciences.org/en/articles/medsci/full_html/2020/10/msc200197/msc200197.html