Prédiction des AVC par le biais de requêtes de recherche sur Internet

Dans cette étude, nous analyserons les requêtes Google des patients hospitalisés au centre médical Sourasky de Tel-Aviv avec un AVC, entre les années 2016-2020. après l'achèvement formel du formulaire de consentement éclairé signé, les sujets consentants demanderont personnellement leurs données de recherche au service Google Takeout jusqu'à 2 ans avant jusqu'à un an après l'AVC et donneront accès aux chercheurs en créant un fichier unique de ceux-ci données et de les partager avec les chercheurs. Suite à un consentement éclairé, les données des requêtes Google seront extraites par les participants à l'aide du service "Take Out" de Google, jusqu'à 2 ans avant et un an après l'AVC. Les groupes témoins seront composés de patients diagnostiqués avec un infarctus aigu du myocarde (IM) et de conjoints de patients sans IM/AVC. Le recrutement se fera principalement à partir de deux bases de données approuvées par les établissements sur les accidents vasculaires cérébraux et les IDM aigus. Un total de 450 participants seront recrutés, 150 dans chaque groupe, sur la base d'une expérience antérieure pour l'ensemble de données de taille minimale des journaux de requêtes nécessaires pour construire un modèle et tester ses performances.

L'anonymat sera garanti par plusieurs modalités ; l'accès aux données de Google Takeout sera limité au montant minimal requis pour effectuer la recherche et ne sera accordé qu'aux membres de l'équipe d'analyse des données de l'Université de Tel-Aviv, tandis que l'accès aux données médicales ne sera fourni qu'aux chercheurs de le centre médical Sourasky de Tel-Aviv. De plus, les membres de l'équipe partenaire de l'Université de Tel-Aviv seront tenus de s'abstenir de toute tentative positive d'identifier les sujets participant à l'essai. Toutes les données partagées avec l'Université de Tel-Aviv seront stockées sur un disque dur local crypté. Les données seront supprimées des ordinateurs de l'Université de Tel-Aviv à la fin du projet.

Notre modèle d'apprentissage automatique développé précédemment, qui était capable de prédire l'AVC chez les sujets par rapport aux témoins appariés selon l'âge avec une aire sous la courbe (AUC) de 0,972, ce qui se traduit par une valeur prédictive positive de 52,7 % à un taux de faux positifs de 1 % , sera utilisé pour prédire, pour chaque jour, la probabilité qu'une personne subisse un accident vasculaire cérébral ce jour-là. Cela sera comparé à la date connue de l'AVC ou de l'IM. La mesure de la performance sera la courbe de fonctionnement du récepteur (ROC) de la détection et la zone sous la courbe (AUC) correspondante. De plus, un nouveau modèle sera formé à l'aide des données collectées et testé de la même manière, mais en utilisant une validation croisée de 10 fois. La sensibilité et la spécificité de la détection des AVC seront dérivées.