Utiliser l'intelligence artificielle pour prédire la mortalité
Nouvelle recherche qui apparaît dans la revue PLOS ONE suggère que l'apprentissage automatique peut être un outil précieux pour prédire le risque de décès prématuré. Les scientifiques ont comparé la précision de la prédiction de l'intelligence artificielle à celle des méthodes statistiques que les experts utilisent actuellement dans la recherche médicale.
De plus en plus de recherches récentes suggèrent que les algorithmes informatiques et l'apprentissage de l'intelligence artificielle (IA) peuvent s'avérer très utiles dans le monde médical.
Par exemple, une étude publiée il y a quelques mois a révélé que les algorithmes d'apprentissage en profondeur peuvent prédire avec précision l'apparition de la maladie d'Alzheimer dès 6 ans à l'avance.
En utilisant ce que l'on appelle un «ensemble de données de formation», les algorithmes d'apprentissage en profondeur peuvent «apprendre eux-mêmes» à prédire si et quand un événement est susceptible de se produire.
Désormais, les chercheurs ont cherché à savoir si l'apprentissage automatique pouvait prédire avec précision la mortalité prématurée due à une maladie chronique.
Stephen Weng, qui est professeur adjoint d'épidémiologie et de science des données à l'Université de Nottingham au Royaume-Uni, a dirigé la nouvelle recherche.
Comment l'IA pourrait aider les soins préventifs
Weng et ses collègues ont examiné les données sur la santé de plus d'un demi-million de personnes âgées de 40 à 69 ans. Les participants s'étaient inscrits à l'étude UK Biobank entre 2006 et 2010. Les chercheurs de l'étude UK Biobank ont suivi cliniquement les participants jusqu'en 2016.
Pour l'étude actuelle, Weng et son équipe ont développé un système d'algorithmes d'apprentissage utilisant deux modèles appelés «forêt aléatoire» et «apprentissage en profondeur». Ils ont utilisé les modèles pour prédire le risque de décès prématuré dû à une maladie chronique.
Les scientifiques ont examiné la précision prédictive de ces modèles et les ont comparés avec des modèles de prédiction conventionnels, tels que l'analyse de «régression de Cox» et un modèle de Cox multivarié.
«Nous avons mappé les prévisions résultantes aux données de mortalité de la cohorte à l'aide des registres de décès du Bureau des statistiques nationales, du registre du cancer du Royaume-Uni et des statistiques sur les« épisodes hospitaliers »», explique le chercheur principal de l'étude.
L'étude a révélé que le modèle de régression de Cox était le moins précis pour prédire la mort prématurée, tandis que le modèle multivarié de Cox était légèrement meilleur mais était susceptible de surestimer le risque de décès.
Dans l'ensemble, «les algorithmes d'apprentissage automatique étaient nettement plus précis pour prédire la mort que les modèles de prédiction standard développés par un expert humain», rapporte Weng. Le chercheur commente également la signification clinique des résultats.
Il déclare: «Les soins de santé préventifs sont une priorité croissante dans la lutte contre les maladies graves, c'est pourquoi nous travaillons depuis un certain nombre d'années pour améliorer la précision de l'évaluation informatisée des risques pour la santé dans la population générale.»
«La plupart des applications se concentrent sur un seul domaine de la maladie, mais prédire le décès dû à plusieurs maladies différentes est très complexe, en particulier compte tenu des facteurs environnementaux et individuels qui peuvent les affecter.»
«Nous avons franchi une étape majeure dans ce domaine en développant une approche unique et holistique pour prédire le risque de mort prématurée d'une personne par l'apprentissage automatique.»
Stephen Weng
«Cela utilise des ordinateurs pour créer de nouveaux modèles de prédiction des risques qui prennent en compte un large éventail de facteurs démographiques, biométriques, cliniques et de style de vie pour chaque individu évalué, même sa consommation diététique de fruits, de légumes et de viande par jour», explique Weng.
En outre, disent les chercheurs, les résultats de la nouvelle étude renforcent les conclusions précédentes, qui ont montré que certains algorithmes d'IA sont plus efficaces pour prédire le risque de maladie cardiaque que les modèles de prédiction conventionnels que les cardiologues utilisent actuellement.
«Il existe actuellement un intérêt intense pour la possibilité d’utiliser« l’IA »ou« l’apprentissage automatique »pour mieux prédire les résultats en matière de santé. Dans certaines situations, nous pouvons trouver que cela aide, dans d'autres non. Dans ce cas particulier, nous avons montré qu'avec un réglage minutieux, ces algorithmes peuvent utilement améliorer la prédiction », explique le professeur Joe Kai, un universitaire clinique qui a également travaillé sur l'étude.
Il poursuit: «Ces techniques peuvent être nouvelles pour de nombreuses personnes dans le domaine de la recherche en santé et difficiles à suivre. Nous pensons qu'en rapportant clairement ces méthodes de manière transparente, cela pourrait contribuer à la vérification scientifique et au développement futur de ce domaine passionnant des soins de santé.
