Intelligence artificielle

Un modèle de machine learning pour rationaliser les soins aux urgences pédiatriques

Une étude présentée dans JAMA a évalué un modèle de directives médicales basées sur l’apprentissage machine. Ce processus automatisé permet de prédire et d’ordonner les examens d'imagerie au début du parcours du patient afin d’améliorer la prise de décision clinique et rationaliser les soins.

icon réservé aux abonnésArticle réservé aux abonnés
Le 06/05/22 à 15:00, mise à jour hier à 15:08 Lecture 1 min.

Chaque modèle a été entraîné à prédire si le patient allait avoir un diagnostic associé à l’un des 6 examens suivants : test de jauge urinaire, électrocardiogramme, échographie abdominale, échographie testiculaire, dosage de la bilirubine et radiographie de l’avant-bras (photo d'illustration). © https://pxhere.com/en/photo/643025

Peut-être une solution pour accélérer la prise en charge aux urgences ? Des chercheurs canadiens ont entraîné et expérimenté des modèles d’apprentissage machine conçus pour « trier » les patients admis aux urgences pédiatriques qui auront de besoin d’un examen spécifique avant qu’ils aient été évalués par un professionnel de santé. Ils présentent leurs résultats dans un article de la revue JAMA [1]. Pour ce faire, ils ont exploité les données issues des dossiers électroniques de 77 219 patients âgés de 0 à 18 ans se présentant au service d’urgence pédiatrique de l’Hospital for Sick Children, un hôpital de soins tertiaires de Toronto, au Canada, du 1er juillet 2018 au 30 juin 2019. Ils ont « nourri » leurs modèles avec de nombreuses données telles que le rythme cardiaque, la saturation sanguine, la tension, la température corporelle, les symptômes, etc.

Rationaliser les soins pour 22,3 % des patients

Chaque modèle a été entraîné à prédire si le patient allait avoir un diagnostic associé à

Il vous reste 61% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

Solenn Duplessy

Voir la fiche de l’auteur

Bibliographie

  1. Singh D., Nagaraj S., Mashouri P. et coll., « Assessment of machine learning-based medical directives to expedite care in pediatric emergency medicine », JAMA Network Open, 2022, vol. 5, n° 3. DOI : 10.1001/jamanetworkopen.2022.2599.

Discussion

Aucun commentaire

Laisser un commentaire

Sur le même thème

Le fil Docteur Imago

14 Mai

13:30

7:19

Un arrêté du 24 avril 2025 a fixé la liste d'aptitude à la fonction de praticien hospitalier des établissements publics de santé pour l’année 2024.
13 Mai

16:00

Une étude multicentrique observationnelle basée sur 413 biopsies pulmonaires guidées par scanner indique que le protocole PEARL développé à Gustave-Roussy, par rapport à un protocole standard de biopsie, présente la même proportion de résultat pathologique tout en réduisant grandement l'incidence de pneumothorax (23 % en standard vs 9 % avec PEARL ; p < 0,05).

13:30

La Société européenne de radiologie gastrointestinale et abdominale (ESGAR) a publié en accès ouvert dans European Radiology un consensus d'experts recommandant comment et quand réaliser une IRM chez les patients souffrant de cholangite sclérosante primitive, et proposant un compte-rendu structuré type.
Docteur Imago

GRATUIT
VOIR