Journal de bactériologie et parasitologie

Abstrait

Prédiction de la mortalité des patients atteints de COVID-19 : méthodes et potentiel

Pierre Gemmar

La propagation pandémique du coronavirus entraîne une charge accrue pour les services de santé dans le monde entier. L'expérience montre que les soins médicaux nécessaires peuvent atteindre des limites dans les cliniques locales et qu'une évaluation clinique rapide et sûre de la gravité de la maladie devient vitale. Des biomarqueurs sont régulièrement déterminés pour les patients en soins intensifs. Des outils d'apprentissage automatique peuvent être utilisés pour sélectionner des biomarqueurs appropriés afin d'estimer l'état de santé et de prédire le risque de mortalité des patients. Des modèles de prédiction transparents permettent d'obtenir des informations supplémentaires sur les propriétés et le développement des biomarqueurs en relation avec les conditions de santé spécifiques des patients en soins intensifs.

Dans ce travail, des approches de modèles alternatives et avancées (Support Vector Machine, Bayes naïf, système flou) sont comparées aux modèles proposés dans la littérature. De plus, des aspects tels que le sexe des patients et les changements des biomarqueurs au fil du temps sont inclus dans la modélisation. Un réseau neuronal artificiel (SOM) est utilisé pour sélectionner les biomarqueurs. Une analyse statistique des biomarqueurs révèle leurs valeurs et les changements dans l'état critique des patients. Dans une comparaison de modèles, un prédicteur flou de type Sugeno a obtenu les meilleurs résultats pour l'évaluation de la santé et l'aide à la décision. Le système flou fournit des valeurs de sortie continues au lieu de décisions binaires et les cas douteux peuvent ainsi être attribués à une classe de rejet. Un modèle flou étendu prend en compte le sexe du patient et l'évolution des caractéristiques clés au fil du temps et fournit ainsi d'excellents résultats avec une précision supérieure à 98 % avec les données d'entraînement. Cependant, cela n'a pas pu être définitivement vérifié en raison du manque de données de test appropriées. La génération et l'entraînement de tous les modèles ont été entièrement automatiques avec les outils Matlab© et sans ajustement supplémentaire.