La méthode neuve a pu aider des médecins à éviter des demandes de règlement inutiles ou inutilement risquées

Dans un réglage habituel de management, après qu'une personne ait eu une crise cardiaque ou une rappe, des modèles algorithmiques de risque sont employés pour prévoir le risque de décès pour le patient. Ces algorithmes ou modèles utilisent des facteurs variés tels que l'âge du patient, du genre, de l'histoire précédente, des antécédents familiaux, du groupe ethnique etc.

La demande de règlement du patient est souvent guidée par ces modèles. Une étude neuve a prouvé que dans de nombreux cas ces modèles ne prévoient pas les risques exactement. Ceci peut mener aux choix de demande de règlement qui sont inutiles ou inutiles et même risqués pour les patients. L'étude neuve était publiée en médicament de Digitals. L'étude est intitulée, « recensant des prévisions peu fiables dans les modèles cliniques de risque ».

Crédit d
Crédit d'image : Photos de ci/Shutterstock

Le collin Stultz d'auteur important, un professeur de génie électrique et de l'informatique au MIT et un cardiologue chez Massachusetts General Hospital et professeur des sciences et technologies de santé, un membre de l'institut du MIT pour la technologie médicale et les sciences et du laboratoire de recherche de l'électronique, et un membre d'associé du laboratoire de l'informatique et d'artificial intelligence, a indiqué, « chaque modèle de risque est évalué sur un certain ensemble de données des patients, et même si il a de grande précision, il n'est jamais de 100 pour cent de précis dans la pratique. Il y aura quelques patients pour lesquels le modèle obtiendra la réponse incorrecte, et ce peut être désastreux. » Il a travaillé à côté d'autres chercheurs de MIT, du laboratoire de MIT-IBM AI, et de l'université de la Faculté de Médecine du Massachusetts. Un des auteurs était l'étudiant de troisième cycle Paul Myers de MIT qui a abouti l'étude. Ils ont regardé la réussite de la capacité du modèle prévoit le risque. Ils ont dit que la validation de ces modèles peut aider les médecins à choisir le traitement adapté pour ces patients.

L'équipe explique que ces types d'ordinateur peuvent aider à prévoir le risque d'événements défavorables dans les patients de la crise cardiaque et la rappe. Ce sont des algorithmes d'apprentissage automatique qui regardent les ensembles de données et les facteurs de chacun des patients pour évaluer les résultats de santé. Stultz a expliqué que ces algorithmes sont habituellement précis, « la pensée très petite est entré dans recenser quand un modèle est susceptible de défaillir. » « Nous essayons de produire une commande des vitesses de la manière que les gens pensent à ces modèles d'apprentissage automatique. Penser à le moment où appliquer un modèle est réellement important parce que la conséquence d'être erronée peut être fatale, » il a ajouté. Il a dit qu'un patient à haut risque peut ne pas être classifié correctement et peut ne pas recevoir ainsi la demande de règlement il ou il a mérité et quelqu'un qui est à faible risque si mauvais peut recevoir la demande de règlement inutilement risquée.

Pour cette étude ils ont employé la rayure utilisée généralement de risque de GRÂCE (Bureau d'ordre global des événements coronariens aigus) l'équipe regardée les effets du modèle sur de grandes bases de données des patients pour voir l'exactitude du modèle dans ses prévisions. Les aides modèles prévoient le risque de décès des six mois patients après un événement coronarien aigu. Ce modèle emploie des facteurs tels que l'âge, pression sanguine, fréquence cardiaque et d'autres signes cliniques et sympt40mes, ont expliqué les chercheurs. Pour les voir si le modèle était précis ont produit d'une « rayure de manque de fiabilité » pour le modèle. La rayure était entre 0 et 1. Si la rayure était proche de 1, il a signifié que la prévision était plus peu fiable. Deux modèles de rayure de risque ont pu être comparés utilisant cette rayure de manque de fiabilité ont dit les chercheurs.
Stultz a dit que si les deux modèles de risque étaient soulevés avec différentes prévisions, il a signifié que la fiabilité de l'un ou l'autre de rayure était inférieure. Il a ajouté, « ce qui nous montrons en cet article est, si vous regardez les patients qui ont les rayures de manque de fiabilité les plus élevées -- dans le 1 pour cent principal -- la prévision de risque pour ce patient fournit la même information que renversant une monnaie d'appoint. Pour ces patients, la rayure de GRÂCE ne peut pas distinguer entre ceux qui meurent et ceux qui ne font pas. Il est complet inutile pour ces patients. »

L'équipe a écrit en conclusion, « utilisant des caractéristiques de plus de 40.000 patients dans le Bureau d'ordre global des événements coronariens aigus (GRÂCE), nous expliquons que les patients présentant le manque de fiabilité élevé raye la forme un sous-groupe dans lequel le modèle prévisionnel a l'exactitude diminuée et la capacité discriminatoire diminuée. »

L'équipe a constaté que plusieurs facteurs dans l'ensemble de données pourraient être des facteurs prédictifs du manque de fiabilité des rayures et ceci a compris l'âge du patient ainsi que de tout autre facteur de risque de maladie cardiaque. Stultz a dit que ce modèle d'étude aidé pour comparer deux modèles de risque sans produire un modèle neuf pour évaluer le risque du patient. Il a expliqué, « vous n'avez pas besoin de l'accès à l'ensemble de données de formation lui-même afin de calculer cette mesure de manque de fiabilité, et c'est importante parce qu'il y a des problèmes de confidentialité qui empêchent ces ensembles de données cliniques d'être largement accessibles aux gens différents. »

Comme prochaine opération, l'équipe est maintenant concevante et retouchante sur le modèle de rayure de risque de sorte qu'il soit plus fiable et prévoie les résultats patients plus exactement. Ils planification sur comprendre plus de patients dans la base de données de sorte que les modèles aient pu être recyclés et utilisé d'une façon plus fructueuse disiez les chercheurs. Stultz a dit, « si le modèle est assez simple, alors le recyclage d'un modèle peut être rapide. Vous pourriez imaginer une suite entière de logiciel intégrée dans le dossier santé électronique qui vous indiquerait automatiquement si une rayure particulière de risque est appropriée pour un patient donné, et essayerait alors de faire des choses en marche, comme les modèles neufs de recyclage qui pourraient être plus appropriés. »

Journal reference:

Myers, P.D., Ng, K., Severson, K. et al. Identifying unreliable predictions in clinical risk models. npj Digit. Med. 3, 8 (2020). https://doi.org/10.1038/s41746-019-0209-7, https://www.nature.com/articles/s41746-019-0209-7

Dr. Ananya Mandal

Written by

Dr. Ananya Mandal

Dr. Ananya Mandal is a doctor by profession, lecturer by vocation and a medical writer by passion. She specialized in Clinical Pharmacology after her bachelor's (MBBS). For her, health communication is not just writing complicated reviews for professionals but making medical knowledge understandable and available to the general public as well.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Mandal, Ananya. (2020, January 23). La méthode neuve a pu aider des médecins à éviter des demandes de règlement inutiles ou inutilement risquées. News-Medical. Retrieved on April 01, 2020 from https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.

  • MLA

    Mandal, Ananya. "La méthode neuve a pu aider des médecins à éviter des demandes de règlement inutiles ou inutilement risquées". News-Medical. 01 April 2020. <https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx>.

  • Chicago

    Mandal, Ananya. "La méthode neuve a pu aider des médecins à éviter des demandes de règlement inutiles ou inutilement risquées". News-Medical. https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx. (accessed April 01, 2020).

  • Harvard

    Mandal, Ananya. 2020. La méthode neuve a pu aider des médecins à éviter des demandes de règlement inutiles ou inutilement risquées. News-Medical, viewed 01 April 2020, https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.