Une équipe de recherche de Mount Sinai a développé un modèle basé sur l’apprentissage automatique qui permet aux institutions médicales de prédire le risque de mortalité pour les patients individuels en chirurgie cardiaque, offrant un avantage de performance significatif par rapport aux modèles actuels dérivés de la population. .
Le nouvel algorithme basé sur les données, basé sur les dossiers de santé électroniques (DSE), est le premier modèle spécifique à l’établissement pour évaluer le risque d’un patient cardiaque avant la chirurgie, permettant aux prestataires de soins de santé de rechercher le meilleur plan d’action pour cet individu. . Les travaux de l’équipe ont été décrits dans une étude publiée dans Le Journal of Thoracic and Cardiovascular Surgery (JTCVS) Ouvert.
Les modèles de risque standard de soins utilisés aujourd’hui sont limités par leur applicabilité à des types spécifiques de chirurgies, laissant de côté un nombre important de patients subissant des procédures complexes ou combinées pour lesquelles les modèles n’existent pas. Notre équipe a rigoureusement combiné les données des dossiers de santé électroniques et des méthodes d’apprentissage automatique pour démontrer pour la première fois comment les institutions individuelles peuvent créer leurs propres modèles de risque de mortalité après une chirurgie cardiaque. »
Ravi Iyengar, Ph.D., auteur principal, professeur Dorothy H. et Lewis Rosenstiel de sciences pharmacologiques à l’Icahn School of Medicine de Mount Sinai, et directeur de l’Institut Mount Sinai for Systems Biomedicine
Des modèles prédictifs basés sur des algorithmes d’apprentissage automatique ont été générés dans divers domaines de la médecine, certains montrant de meilleurs résultats que leurs homologues de soins standard. En chirurgie cardiaque, les scores de risque de la Society of Thoracic Surgeons (STS) sont considérés comme l’étalon-or et sont couramment utilisés pour évaluer le risque d’intervention d’un patient en chirurgie cardiaque. Bien qu’ils continuent de fournir des repères importants aux hôpitaux pour évaluer et améliorer leur performance, ils sont dérivés de données au niveau de la population et peuvent donc ne pas prédire avec précision le risque pour des patients spécifiques présentant des conditions compliquées nécessitant une évaluation personnalisée des chirurgies préopératoires et complexes.
Des chirurgiens cardiovasculaires et des spécialistes de la science des données à l’hôpital Mount Sinai, supervisés par le co-auteur principal Gaurav Pandey, PhD, professeur agrégé de génétique et de sciences génomiques à Icahn Mount Sinai, ont émis l’hypothèse que l’apprentissage basé sur la modélisation Des enquêtes automatiques utilisant les données DSE de votre propre établissement pourraient proposer une solution efficace. Par conséquent, ils ont créé un cadre d’apprentissage automatique rigoureux utilisant des données de DSE collectées en routine pour développer un modèle de prédiction du risque de mortalité post-chirurgicale personnalisé par le patient et spécifique à l’hôpital ; incorporant implicitement des informations importantes sur la population de patients du mont Sinaï, telles que la démographie, les facteurs socio-économiques et les caractéristiques de santé. Cela contraste avec les modèles dérivés de la population tels que STS, qui sont basés sur des données provenant de divers systèmes de santé dans différentes parties du pays. Un algorithme de prédiction open source très efficace connu sous le nom de XGBoost a encore amélioré les performances de cette méthodologie, qui crée un ensemble d’arbres de décision en se concentrant sur des sous-ensembles de plus en plus difficiles à prédire des données de formation.
Le co-auteur principal de l’étude était Aaron J Weiss, MD, PhD, ancien résident en chirurgie cardiothoracique à l’hôpital Mount Sinai et titulaire d’un doctorat en recherche clinique d’Icahn Mount Sinai, qui est maintenant à la Cleveland Clinic. Arjun Yadaw, PhD, professeur adjoint adjoint de sciences pharmacologiques à Icahn Mount Sinai, et actuellement scientifique principal des données au National Center for Advancing Translational Science, qui fait partie des National Institutes of Health (NIH NCATS), a également codirigé les travaux. . Ces chercheurs ont utilisé XGBoost pour modéliser 6 392 chirurgies cardiaques effectuées à l’hôpital Mount Sinai entre 2011 et 2016, y compris des procédures de valve cardiaque ; pontage aortocoronarien; résection, remplacement ou anastomose aortique ; et les chirurgies cardiaques réopératives, dont il a été démontré qu’elles augmentent considérablement le risque de mortalité. L’équipe a ensuite comparé les performances de leur modèle avec les modèles STS pour les mêmes groupes de patients.
L’étude a montré que le modèle XGBoost surpassait les scores de risque de mortalité STS dans toutes les catégories de chirurgie cardiaque couramment pratiquées pour lesquelles les scores STS étaient conçus. Les performances de prédiction du modèle XGBoost pour tous les types de chirurgie étaient également élevées, démontrant le potentiel de l’apprentissage automatique et des données de DSE pour créer des modèles efficaces spécifiques à l’établissement.
« Une prédiction précise de la mortalité post-chirurgicale est essentielle pour garantir les meilleurs résultats pour les patients en chirurgie cardiaque, et notre étude montre que les modèles spécifiques à l’établissement peuvent être préférables aux données cliniques standard basées sur la population », souligne le Dr Pandey. « Tout aussi important, nous avons montré qu’il est pratique pour les établissements de santé de développer leurs propres modèles prédictifs grâce à des algorithmes d’apprentissage automatique sophistiqués pour remplacer ou compléter le modèle STS établi. »
Cette étude a été financée par des subventions des National Institutes of Health.
Système de santé du mont Sinaï