Le suivi des dossiers médicaux des patients au fil du temps en révèle plus sur les maladies

Les dossiers de santé électroniques (DSE) contiennent des informations importantes sur les perspectives de santé des patients et les soins qu'ils reçoivent, mais les dossiers ne sont pas toujours précis. Une nouvelle étude décrit une approche qui utilise l'apprentissage automatique, un type d'intelligence artificielle, pour suivre attentivement les dossiers médicaux des patients au fil du temps dans les DSE afin de prédire leur probabilité d'avoir ou de développer différentes maladies. L'étude a été dirigée par des chercheurs du Massachusetts General Hospital (MGH) et est publiée dans Modèles de cellules.

Au cours de la dernière décennie, des milliards de dollars ont été dépensés pour instituer une utilisation significative des systèmes de DSE. Pour une multitude de raisons, cependant, les données de DSE sont toujours complexes et présentent de nombreux problèmes de qualité, ce qui rend difficile de tirer parti de ces données pour résoudre des problèmes de santé urgents, en particulier lors de pandémies telles que COVID-19, lorsque des réponses rapides sont nécessaires. Dans cet article, nous proposons un algorithme pour exploiter les informations temporelles dans les DSE qui sont déformées par des couches de processus administratifs et du système de santé. « 

Hossein Estiri, PhD, auteur principal, MGH Laboratory of Computer Science

La stratégie relie les informations des DSE sur les médicaments et les diagnostics des patients au fil du temps, plutôt que des dossiers de santé indépendants. Les analyses ont révélé que cette approche séquentielle peut calculer avec précision la probabilité qu'un patient soit réellement atteint d'une maladie sous-jacente.

« Notre étude ne repose pas sur des codes de diagnostic uniques, mais s'appuie plutôt sur des séquences de codes dans l'espoir qu'une séquence de caractéristiques pertinentes au fil du temps est plus susceptible de représenter la réalité qu'un seul élément », a déclaré le Dr Estiri. « De plus, l'ordinateur trie des milliers de patients et peut trouver des séquences qu'un médecin n'identifierait probablement jamais de lui-même comme pertinentes, mais qui sont en réalité associées à la maladie. »

Par exemple, la maladie coronarienne suivie de douleurs thoraciques dans le dossier médical était plus utile pour prédire le développement de l'insuffisance cardiaque que l'un ou l'autre des facteurs seuls ou dans un ordre différent.

La méthode peut donc identifier des marqueurs de maladie qui sont interprétables par les cliniciens. Cela pourrait conduire à de nouveaux modèles informatiques pour identifier et valider de nouveaux marqueurs de maladies et pour faire avancer les découvertes médicales. La façon proposée de penser les dossiers médicaux pourrait également aider à identifier les patients d'une communauté qui risquent de développer une variété d'autres maladies et recommander leur évaluation par les prestataires de soins de santé.

La source:

Hôpital général du Massachusetts

Référence de la revue:

Estiri, H., et al. (2020) Transitive Sequencing Medical Records for Mining Predictive and Interprable Temporal Representations. Cellule Motifs. doi.org/10.1016/j.patter.2020.100051.

Vous pourriez également aimer...