État clinique de la COVID-19 associé à la gravité des résultats : une approche d'apprentissage automatique non supervisée

Depuis le début de la pandémie de COVID-19, 195 millions de personnes ont été infectées et 4,2 millions sont mortes de la maladie ou de ses effets secondaires. Les médecins, les scientifiques de la santé et le personnel médical essaient en permanence de faire face à des admissions hospitalières surchargées, tout en essayant en parallèle d'identifier des corrélations significatives entre la gravité des patients infectés avec leurs symptômes, leurs comorbidités et leurs biomarqueurs. L'intelligence artificielle (IA) et l'apprentissage automatique (ML) ont été utilisés récemment dans de nombreux domaines liés aux soins de santé COVID-19. L'objectif principal est de gérer efficacement la grande variété de problèmes liés au COVID-19 et à ses conséquences. Les applications existantes du ML aux soins de santé COVID-19 sont basées sur une classification supervisée qui nécessite un ensemble de données de formation étiqueté, servant de point de référence pour l'apprentissage, ainsi que des classes prédéfinies. Cependant, les connaissances existantes sur le COVID-19 et ses conséquences ne sont toujours pas solides et les points d'accord communs entre les différentes communautés scientifiques ne sont toujours pas clairs.

Par conséquent, cette étude visait à suivre une approche de regroupement non supervisée, où aucune connaissance préalable n'est requise (tabula rasa).

Plus précisément, 268 patients hospitalisés au premier département propédeutique de médecine interne de l'hôpital universitaire AHEPA de Thessalonique ont été évalués en termes de 40 variables cliniques (numériques et catégorielles), conduisant à un ensemble de données de haute dimensionnalité. La réduction de la dimensionnalité a été réalisée en appliquant l'analyse en composantes principales (ACP) sur la partie numérique de l'ensemble de données et l'analyse des correspondances multiples (AMC) sur la partie catégorielle de l'ensemble de données. Ensuite, le critère d'information bayésien (BIC) a été appliqué aux modèles de mélange gaussien (GMM) afin d'identifier le nombre optimal de clusters, sous lequel se produit le meilleur regroupement de patients.

La méthodologie proposée a identifié 4 groupes de patients présentant des caractéristiques cliniques similaires. L'analyse a révélé un groupe de patients asymptomatiques qui ont entraîné la mort à un taux de 23,8 %.

Ce résultat saisissant nous oblige à reconsidérer la relation entre la sévérité des symptômes cliniques du COVID-19 et la mortalité des patients.