ML fournit des recommandations personnalisées sur le traitement de l'hypertension

Jul 01, 2023

Source : Getty Images

Par Shania Kennedy

09 juin 2023 - Des chercheurs de l'Université de Boston (BU) ont co-développé un modèle d'apprentissage automatique (ML) conçu pour fournir des recommandations personnalisées de traitement de l'hypertension et aider les cliniciens à choisir le médicament antihypertenseur qui convient le mieux à leurs patients.

Dans l'étude décrivant le modèle, publiée récemment dans BMC Medical Informatics and Decision Making, les chercheurs ont expliqué que prescrire le médicament le plus efficace pour les patients souffrant d'hypertension peut être un défi. Les facteurs génétiques, les comorbidités et d'autres caractéristiques des patients peuvent entraîner diverses réponses au traitement en fonction du médicament antihypertenseur prescrit.

Le traitement personnalisé de l'hypertension a le potentiel de surmonter ces obstacles, mais une telle approche n'a pas été largement adoptée dans les soins cliniques.

Cela a conduit les chercheurs à créer un outil d'aide à la décision clinique basé sur le ML visant à donner aux équipes soignantes des suggestions de traitement de l'hypertension en temps réel pour aider à réduire la pression artérielle systolique plus efficacement qu'avec les méthodes de soins standard actuelles.

Le modèle utilise des caractéristiques spécifiques au patient, telles que les antécédents médicaux, les données démographiques, les signes vitaux et les résultats des tests des DSE pour fournir aux cliniciens une prescription d'hypertension « personnalisée ».

"Il s'agit d'un nouvel algorithme d'apprentissage automatique exploitant les informations contenues dans les dossiers de santé électroniques et mettant en valeur la puissance de l'IA dans les soins de santé", a déclaré Ioannis Paschalidis, PhD, professeur distingué du BU College of Engineering et membre de l'équipe de recherche, dans le communiqué de presse détaillant le étude. "Notre modèle basé sur les données ne se contente pas de prédire un résultat, il suggère le médicament le plus approprié à utiliser pour chaque patient."

Le modèle utilise le profil d'un patient individuel pour générer une liste de médicaments suggérés, qui comprend également la probabilité de succès associée pour chaque médicament en fonction des informations de ce patient et l'efficacité du médicament dans un groupe de patients similaires.

"Notre objectif est de faciliter une approche de personnalisation pour le traitement de l'hypertension basée sur des algorithmes d'apprentissage automatique [et] cherchant à maximiser l'efficacité des médicaments contre l'hypertension au niveau individuel", a déclaré Paschalidis.

Pour développer le modèle, les chercheurs ont extrait des données anonymisées des dossiers médicaux de 42 752 patients du Boston Medical Center (BMC) de 2012 à 2020.

Les patients ont été classés en groupes en fonction de caractéristiques cliniquement pertinentes, notamment les données démographiques, les antécédents médicaux et les lectures de tension artérielle antérieures. À partir de là, les données ont été introduites dans le modèle ML et trois algorithmes supplémentaires conçus pour prédire les plans de traitement appropriés de l'hypertension.

L'efficacité de chaque modèle a ensuite été comparée à celle de la norme de soins actuelle.

Le modèle ML a obtenu des résultats 7,08 % supérieurs à ceux du deuxième meilleur algorithme et a permis une réduction de 70,3 % plus importante de la pression artérielle systolique que la norme de soins.

Le modèle ML a également mis en évidence l'intérêt de réduire ou d'arrêter les médicaments antihypertenseurs pour certains patients qui prenaient déjà plusieurs médicaments.

« Ces analyses prédictives avancées ont la capacité d'augmenter la prise de décision d'un clinicien et d'avoir un impact positif sur la qualité des soins que nous prodiguons, et donc sur les résultats pour nos patients », a expliqué Rebecca Mishuris, MD, directrice de l'information médicale de Mass General Brigham. qui était auparavant professeur adjoint à la BU Chobanian & Avedisian School of Medicine. "Il s'agit d'une première étape importante qui montre que ces modèles fonctionnent en fait mieux que la norme de soins et pourraient nous aider à être de meilleurs médecins."

L'étude a également souligné comment les modèles d'intelligence artificielle (IA) peuvent aider à améliorer la qualité des soins et les approches de médecine personnalisée.

"En utilisant les données de la population diversifiée de patients du Boston Medical Center, ce modèle offre la possibilité d'adapter les soins aux populations sous-représentées, avec des recommandations individualisées pour améliorer les résultats pour ces patients", a déclaré Nicholas J. Cordella, MD, professeur adjoint à BU Chobanian & École de médecine Avedisian. "La médecine personnalisée et les modèles comme celui-ci sont une opportunité de mieux servir des populations qui ne sont pas nécessairement bien représentées dans les études nationales ou qui n'ont pas été prises en compte lors de l'élaboration des lignes directrices."