Algorithme de prédiction de texte libre pour l'appendicite

Le développement de modèles d'apprentissage automatique qui ont un fort pouvoir de prédiction pour le diagnostic de l'appendicite à partir de la saisie de texte libre saisie par le médecin peut améliorer la précision du diagnostic des médecins. Il offre également la possibilité d'utiliser des algorithmes de prédiction pour améliorer les soins cliniques de routine. À l'avenir, plusieurs modèles d'apprentissage automatique pourront être combinés pour augmenter la précision des prédictions et les algorithmes de prédiction pourront être étendus à d'autres diagnostics.

18 000 cas de présentations aux urgences sur 10 ans ont été utilisés comme ensemble de données de formation et de validation. Pour développer le modèle de prédiction de l'appendicite, des réseaux de neurones d'apprentissage profond avec une ontologie médicale personnalisée ont été utilisés. La précision diagnostique du modèle est exprimée en sensibilité (rappel), spécificité et score F1 (moyenne harmonique). Le modèle prédictif de diagnostic développé montre une sensibilité élevée (86,3 %), une spécificité (91,9 %) et un score F1 (88,8) dans le diagnostic de l'appendicite chez les patients présentant des douleurs abdominales.

L'algorithme du modèle prédictif mettra également en évidence les mots du texte libre (saisis par le médecin traitant) auxquels il attribue une probabilité plus élevée de prédire un résultat. Les médecins seront chargés de fournir un pourcentage de probabilité d'appendicite en fonction de la présentation clinique et de toute analyse de laboratoire disponible. Le médecin voit alors la prédiction de l'algorithme ainsi que les mots en surbrillance pour le patient saisi. Il doit ensuite fournir une autre prédiction de la probabilité d'appendicite après avoir vu la prédiction générée par l'algorithme.

L'objectif est d'évaluer les performances de l'algorithme et d'évaluer si l'utilisation de l'algorithme peut aider les urgentistes à améliorer leur diagnostic d'appendicite. Les résultats de la prédiction seront tabulés pour évaluer la précision de l'algorithme, les médecins avant l'entrée de l'algorithme et les médecins après avoir reçu l'entrée de l'algorithme. L'exactitude sera exprimée en sensibilité, spécificité, exactitude, valeur de prédiction positive, score F1 et score F0.5.

Environ 100 médecins urgentistes seront recrutés au cours d'une année en tant que participants à l'étude. Les médecins seront répartis au hasard en deux groupes - le bras algorithme et le bras sans algorithme. La randomisation se fera par temps (hebdomadaire) en utilisant une randomisation en bloc variable de 4 et 6. Les patients seront suivis pour les diagnostics finaux de sortie.