L’actualité numérique des industries de santé

    L’actualité numérique des industries de santé

    Etudes

    Covid-19: de nouveaux algorithmes pour le diagnostic et le pronostic

    LONDRES (TICpharma) - Des équipes de recherche développent de nouveaux algorithmes décisionnels pour le diagnostic du Covid-19 et l'analyse pronostique, notamment un système d'apprentissage profond (deep learning) automatique développé à partir d'images de scanner thoracique et un modèle utilisant aussi des données cliniques et biologiques, selon deux études, l'une chinoise et l'autre internationale, parues dans l'European Respiratory Journal (ERJ).

    Un diagnostic et une identification rapides des patients atteints de Covid-19 avec un mauvais pronostic sont importants pour contrôler la maladie. La RT-PCR, qui est actuellement l'outil diagnostique de référence, présente une sensibilité limitée et les difficultés d'accès peuvent ralentir l'isolement des personnes infectées, rappellent Shuo Wang de l'université de Beihang à Pékin et ses collègues dans la première étude.

    De récentes données suggèrent que le scanner thoracique a une bonne précision diagnostique et pronostique pour le Covid-19. Cette technique d'imagerie présente en particulier une sensibilité plus élevée que la RT-PCR pour le diagnostic. Elle a aussi mis en évidence des anomalies chez des personnes infectées asymptomatiques.

    Les chercheurs ont voulu utiliser l'intelligence artificielle et en particulier une méthode d'apprentissage profond, qui a déjà démontré son intérêt dans le diagnostic des maladies respiratoires, avec l'objectif de disposer d'un système automatisé.

    Pour cette étude rétrospective, ils ont utilisé les images de scanner thoracique de 5.372 patients de sept villes ou provinces. Les images d'un premier groupe de 4.106 patients ont été utilisées pour la phase d'apprentissage du système puis celles de trois groupes d'un total de 1.266 patients (924 avec le Covid-19 dont 471 suivis plus de cinq jours et 342 avec une autre pneumopathie) ont servi à sa validation.

    Les performances du système d'apprentissage profond se sont montrées globalement bonnes pour le diagnostic du Covid-19, avec une aire sous la courbe (ASC) de 0,9, des taux de sensibilité de 78,9% et de spécificité de 89,9%. Les résultats étaient similaires dans deux groupes de validation.

    Le système permettait également de différencier le Covid-19 d'une autre pneumopathie virale avec une ASC de 0,86.

    L'algorithme développé était par ailleurs capable d'identifier les zones du poumon présentant des anomalies caractéristiques de la maladie, avec une bonne concordance avec l'analyse des radiologues.

    Un modèle validé par 725 patients

    Pour le pronostic, les chercheurs ont ajouté au modèle d'apprentissage profond des caractéristiques cliniques provenant des patients suivis plus de cinq jours (âge, sexe, comorbidités). Le système a pu différencier les patients à risque faible ou élevé d'hospitalisation plus longue.

    Cette étude montre qu'il est possible de développer un système d'apprentissage profond totalement automatique, capable d'analyser un nombre important d'images brutes de scanner, afin d'identifier rapidement des personnes infectées par le Sars-Cov-2 et potentiellement celles qui pourraient développer des symptômes sévères.

    Un tel outil peut être utile pour l'optimisation des ressources médicales et la prise en charge précoce des malades, concluent les chercheurs.

    La seconde étude a été menée par une équipe de chercheurs chinois, néerlandais, belges et italiens. Guangyao Wu du Centre médical universitaire de Maastricht et Pei Yang de l'hôpital central de Wuhan et leurs collègues ont développé un système d'apprentissage automatique à partir des caractéristiques cliniques, biologiques et radiologiques des patients atteints de Covid-19 afin d'évaluer le risque de sévérité lors de l'admission à l'hôpital.

    Ils ont utilisé les données d'un total de 725 patients pour entraîner et valider le modèle, avec notamment une cohorte rétrospective de patients de Wuhan et cinq cohortes de patients chinois, italiens et belges. L'objectif était de déterminer le risque de survenue de maladie sévère ou grave au cours de l'hospitalisation.

    Dans les groupes de validation, le modèle a présenté une ASC de 0,84 à 0,93, des taux de sensibilité variant de 75% à 96,9% et de spécificité de 55% à 88%, avec le plus souvent de meilleures performances que l'indice de sévérité de pneumonie (ASC de 0,82, sensibilité de 40% et spécificité de 89,9%).

    Les chercheurs mettent leur outil en ligne, estimant qu'il pourra être utile pour trier les patients lors de leur hospitalisation et adapter la prise en charge (suivi à domicile, quarantaine, hospitalisation, admission en réanimation...).

    (ERJ, vol. 52, n°2, éditions des 6 et 20 août)

    Luu Ly Do Quang

    À suivre

    Cancer: l’Institut Curie et Home Biosciences lancent la start-up One Biosciences

    Etudes

    Un algorithme automatisé efficace pour prédire la mortalité en réanimation

    PARIS (TICpharma) - Un algorithme automatisé d'intelligence artificielle (IA) conçu pour prédire la mortalité en réanimation à partir de l'électrocardiogramme (ECG) et de la pression artérielle, sans nécessiter de prélèvements sanguins, apparaît supérieur au score IGS2, selon une étude française présentée le 19 septembre au congrès de la Société française d'anesthésie et de réanimation (Sfar) à Paris.

    0 852

    Etudes

    Validation du "premier algorithme universel" de prédiction du risque de perte de greffon rénal

    LONDRES, PARIS (TICpharma) - Un consortium international a élaboré et validé le "premier algorithme universel" pour prédire le risque de perte de greffon rénal, ont annoncé l'Assistance publique-hôpitaux de Paris (AP-HP), l'Inserm et l'université de Paris ainsi que le Paris Transplant Group.

    0 982

    Vos réactions

    Anti-spam : Veuillez saisir le résultat de ce calcul S.V.P
    9 + 1 =