L'apprentissage automatique peut être utilisé pour prédire quels patients nécessitent une admission d'urgence #AI #MachineLearning

L'apprentissage automatique, un domaine de l'intelligence artificielle qui utilise des techniques statistiques pour permettre aux systèmes informatiques de «tirer des enseignements» des données, pourrait être utilisé pour analyser des dossiers de santé électroniques et prévoir le risque d'hospitalisation d'urgence, selon une étude menée par l'University of Oxford publiée dans PLOS Medicine

Les chercheurs croient que l'utilisation de ces techniques pourrait aider les professionnels de la santé à surveiller avec précision les risques encourus par les patients et à mettre en place des mesures pour éviter les admissions non planifiées, qui sont une source majeure de dépenses en soins de santé.

L'étude, menée auprès de 4,6 millions de patients de 1985 à 2015, a été réalisée à l'aide de dossiers de santé électroniques liés issus de la base de données de recherche sur les pratiques cliniques du Royaume-Uni. Un large éventail de facteurs a été pris en compte, notamment l'âge, le sexe, l'appartenance ethnique, le statut socio-économique, les antécédents familiaux, les facteurs de mode de vie, les comorbidités, les médicaments et l'état matrimonial, ainsi que la période écoulée depuis le premier diagnostic, la dernière utilisation du système de santé et tests de laboratoire.

En utilisant plus de variables combinées avec des informations sur leur timing, les modèles d'apprentissage automatique fournissent une prédiction plus fiable du risque d'admission d'urgence à l'hôpital que tous les modèles utilisés précédemment.

Selon les chercheurs, leurs résultats révèlent qu'avec des ensembles de données volumineux contenant des informations riches sur les individus, les modèles d'apprentissage automatique surpassent l'un des meilleurs modèles statistiques conventionnels.

Ils mentionnent, en terminant, que des recherches supplémentaires sont nécessaires pour déterminer si les modèles d'apprentissage automatique peuvent entraîner des améliorations tout aussi importantes de la prévision des risques dans d'autres domaines de la médecine.