Un modèle d’apprentissage automatique pourrait donner un aperçu de la survie au COVID-19
La recherche a été publiée dans la revue en libre accès PLOS Digital Health.
Un modèle d’apprentissage automatique pourrait donner un meilleur aperçu de la capacité d’un patient à survivre au COVID-19.
Les chercheurs de l’Universitätsmedizin Berlin ont étudié les niveaux de 321 protéines dans des échantillons de sang prélevés à 349 moments sur 50 patients COVID-19 gravement malades traités dans deux centres de santé indépendants en Allemagne et en Autriche.
Une approche d’apprentissage automatique a été utilisée pour trouver des associations entre les protéines mesurées et la survie des patients.
Quinze des patients de la cohorte sont décédés ; le délai moyen entre l’admission et le décès était de 28 jours. Pour les patients qui ont survécu, la durée médiane d’hospitalisation était de 63 jours. Les chercheurs ont identifié 14 protéines qui, au fil du temps, ont changé dans des directions opposées pour les patients qui survivent par rapport aux patients qui ne survivent pas en soins intensifs.
L’équipe a ensuite développé un modèle d’apprentissage automatique pour prédire la survie sur la base d’une seule mesure ponctuelle des protéines pertinentes et a testé le modèle sur une cohorte de validation indépendante de 24 patients COVID-10 gravement malades. Le modèle a démontré un pouvoir prédictif élevé sur cette cohorte, prédisant correctement le résultat pour 18 des 19 patients qui ont survécu et 5 des 5 patients qui sont décédés (AUROC = 1,0, P = 0,000047).
Les chercheurs concluent que les tests de protéines sanguines, s’ils sont validés dans des cohortes plus importantes, peuvent être utiles à la fois pour identifier les patients présentant le risque de mortalité le plus élevé, ainsi que pour tester si un traitement donné modifie la trajectoire projetée d’un patient individuel.
La recherche a été publiée dans la revue en libre accès PLOS Digital Health.
