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

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 1^er 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