Prédire les effets indésirables à l'aide de l'apprentissage automatique des patients atteints de MPOC à Hong Kong

La maladie pulmonaire obstructive chronique (MPOC) est une maladie courante, évitable et traitable qui se caractérise par des symptômes respiratoires persistants et une limitation du débit d'air due à des anomalies des voies respiratoires et/ou alvéolaires, généralement causées par une exposition importante à des particules ou des gaz nocifs et influencées par l'hôte. facteurs, y compris le développement pulmonaire anormal. On estime que 3,2 millions de personnes sont décédées de la MPOC dans le monde en 2015 et qu'il y a eu une augmentation de 11,6 % par rapport à 1990. La MPOC est la troisième cause de décès dans le monde en 2019.

À Hong Kong (HK), les taux de prévalence de la MPOC dans la population âgée de ≥ 60 ans étaient de 25,9 % et de 12,4 % sur la base de la définition spirométrique du rapport volume expiratoire maximal en 1 s (VEMS)/capacité vitale forcée (CVF) < 70 % et la limite inférieure de la normale du FEV1/FVC respectivement.4 D'après notre étude récente sur les admissions à l'hôpital pour MPOC, il y a un total de 67 628 admissions pour MPOC de janvier 2017 semaine 1 à janvier 2020 semaine 3 (avant la pandémie de COVID) et 11 065 admissions de janvier 2020 semaine 4 à décembre 2020 semaine 4 (pendant la pandémie de COVID ). 5 Le fardeau des hospitalisations pour MPOC est important et il est important de comprendre le moteur de ces admissions pour développer des stratégies appropriées pour résoudre le problème et améliorer les résultats de santé des patients souffrant de MPOC.

Les réadmissions précoces et les admissions fréquentes résultant de la MPOC sont des résultats hospitaliers couramment étudiés en raison de la charge financière élevée pour l'individu et l'État et de la forte utilisation des ressources de santé publique. Avec l'avènement de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML), son application à la médecine suscite un intérêt considérable. Une méta-analyse récente a montré la compatibilité de ces modèles pour prédire les résultats de la MPOC.7 Cependant, peu d'études ont réussi à montrer que l'IA/ML est supérieure aux méthodes de modélisation statistique traditionnelles, que l'IA/ML est interprétable et peut être cliniquement corrélée, et que l'IA/ML peut avoir une application clinique directe.

Cette étude vise à développer des modèles prédictifs pour les patients ayant un diagnostic de BPCO à la sortie d'une admission index sur ces résultats :

Résultat principal : Admission précoce

Résultats secondaires :

1. Réadmission fréquente
2. Résultat composite (réadmissions précoces + fréquentes)
3. Mortalité
4. Longs séjours

La viabilité et la prétendue supériorité des modèles d'apprentissage automatique (ML) en tant qu'alternatives aux méthodes traditionnelles d'apprentissage statistique seront évaluées. En dehors de cela, les principaux prédicteurs de chaque résultat d'intérêt seraient identifiés pour des suggestions d'interventions possibles qui amélioreront les résultats (c. réduire les taux d'admission précoce, d'admission fréquente et de mortalité). Des scores cliniques pour le déploiement en milieu clinique seront également développés.