Les scientifiques découvrent de longs cas cachés de COVID, triplant les estimations précédentes

Les chercheurs rapportent qu’un nouvel outil d’IA améliore le processus de diagnostic, identifiant potentiellement davantage de personnes ayant besoin de soins.

Des études diagnostiques antérieures estimaient que 7 % de la population souffrait d’un long COVID. Cependant, une nouvelle étude utilisant un outil d’IA développé par Mass General Brigham indique un taux nettement plus élevé de 22,8 pour cent.

L’outil basé sur l’IA peut passer au crible les dossiers de santé électroniques pour aider les cliniciens à identifier les cas de COVID long. Cette maladie souvent mystérieuse peut englober une litanie de symptômes persistants, notamment la fatigue, la toux chronique et le brouillard cérébral après une infection par SRAS-CoV-2.

L’algorithme utilisé a été développé en extrayant des données patient anonymisées à partir des dossiers cliniques de près de 300 000 patients dans 14 hôpitaux et 20 centres de santé communautaires du système Mass General Brigham. Les résultats, publiés dans la revue Médicalpourrait identifier davantage de personnes qui devraient recevoir des soins pour cette maladie potentiellement débilitante.

« Notre outil d’IA pourrait transformer un processus de diagnostic flou en quelque chose de précis et ciblé, donnant aux cliniciens le pouvoir de donner un sens à une condition difficile », a déclaré l’auteur principal Hossein Estiri, responsable de la recherche sur l’IA au Centre d’IA et d’informatique biomédicale de l’apprentissage. Healthcare System (CAIBILS) au MGB et professeur agrégé de médecine à la Harvard Medical School. « Grâce à ce travail, nous pourrons peut-être enfin voir le long COVID tel qu’il est réellement – ​​et, plus important encore, comment le traiter. »

Pour les besoins de leur étude, Estiri et ses collègues ont défini le long COVID comme un diagnostic d’exclusion c’est aussi associé à une infection. Cela signifie que le diagnostic n’a pas pu être expliqué dans le dossier médical unique du patient mais qu’il était associé à une infection au COVID. De plus, le diagnostic devait persister pendant deux mois ou plus au cours d’une fenêtre de suivi de 12 mois.

Phénotypage de précision : une nouvelle approche

La nouvelle méthode développée par Estiri et ses collègues, appelée « phénotypage de précision », passe au crible les enregistrements individuels pour identifier les symptômes et les affections liés à COVID 19 suivre les symptômes au fil du temps afin de les différencier des autres maladies. Par exemple, l’algorithme peut détecter si l’essoufflement résulte de conditions préexistantes comme l’insuffisance cardiaque ou l’asthme plutôt que d’une longue COVID. Ce n’est que lorsque toutes les autres possibilités auraient été épuisées que l’outil signalerait le patient comme ayant un long COVID.

« Les médecins sont souvent confrontés à devoir parcourir un enchevêtrement de symptômes et d’antécédents médicaux, sans savoir exactement quels fils tirer, tout en équilibrant une charge de travail chargée. Disposer d’un outil alimenté par l’IA qui peut le faire méthodiquement à leur place pourrait changer la donne », a déclaré Alaleh Azhir, co-auteur principal et résident en médecine interne au Brigham and Women’s Hospital, membre fondateur du système de santé Mass General Brigham. .

Les diagnostics centrés sur le patient du nouvel outil peuvent également aider à atténuer les biais intégrés dans les diagnostics actuels pour les longs COVID, ont déclaré les chercheurs, qui ont noté que les diagnostics avec le code de diagnostic officiel de la CIM-10 pour les longs COVID tendent vers ceux qui ont un accès plus facile aux soins de santé.

Les chercheurs ont déclaré que leur outil est environ 3 pour cent plus précis que les données capturées par les codes CIM-10, tout en étant moins biaisé. Plus précisément, leur étude a démontré que les individus qu’ils ont identifiés comme ayant un long COVID reflètent la composition démographique plus large du Massachusetts, contrairement aux algorithmes de long COVID qui s’appuient sur un seul code de diagnostic ou des rencontres cliniques individuelles, faussant les résultats en faveur de certaines populations telles que celles ayant un meilleur accès à soins.

« Cette portée plus large garantit que les communautés marginalisées, souvent mises à l’écart dans les études cliniques, ne sont plus invisibles », a déclaré Estiri.

Limites et orientations futures

Les limites de l’étude et de l’outil d’IA incluent le fait que les données des dossiers de santé que l’algorithme utilise pour rendre compte des longs symptômes du COVID peuvent être moins complètes que les données saisies par les médecins dans les notes cliniques post-visite. Une autre limite était que l’algorithme ne captait pas l’aggravation possible d’une condition antérieure qui aurait pu être un symptôme de longue durée du COVID. Par exemple, si un patient souffrait d’une BPCO qui s’est aggravée avant de développer le COVID-19, l’algorithme aurait pu supprimer les épisodes même s’il s’agissait d’indicateurs longs du COVID. La diminution des tests de dépistage du COVID-19 au cours des dernières années rend également difficile l’identification du moment où un patient a pu contracter le COVID-19 pour la première fois.

L’étude était limitée aux patients du Massachusetts.

De futures études pourraient explorer l’algorithme dans des cohortes de patients souffrant de maladies spécifiques, comme la BPCO ou le diabète. Les chercheurs prévoient également de rendre public cet algorithme en libre accès afin que les médecins et les systèmes de santé du monde entier puissent l’utiliser auprès de leurs populations de patients.

En plus d’ouvrir la porte à de meilleurs soins cliniques, ces travaux pourraient jeter les bases de recherches futures sur les facteurs génétiques et biochimiques à l’origine des différents sous-types de COVID long. « Les questions sur le véritable fardeau de la longue COVID – des questions qui sont restées jusqu’ici insaisissables – semblent désormais plus à portée de main », a déclaré Estiri.

Référence : « Phénotypage de précision pour la conservation de cohortes de recherche de patients présentant des séquelles post-aiguës inexpliquées du COVID-19 » par Alaleh Azhir, Jonas Hügel, Jiazi Tian, ​​Jingya Cheng, Ingrid V. Bassett, Douglas S. Bell, Elmer V. Bernstam, Maha R. Farhat, Darren W. Henderson, Emily S. Lau, Michele Morris, Yevgeniy R. Semenov, Virginia A. Triant, Shyam Visweswaran, Zachary H. Strasser, Jeffrey G. Klann, Shawn N. Murphy et Hossein Estiri, 8 novembre 2024, Médical.
DOI : 10.1016/j.medj.2024.10.009

Le soutien a été apporté par le Instituts nationaux de la santéNational Institute of Allergy and Infectious Diseases (NIAID) R01AI165535, National Heart, Lung, and Blood Institute (NHLBI) OT2HL161847 et National Center for Advancing Translational Sciences (NCATS) UL1 TR003167, UL1 TR001881 et U24TR004111. Le travail de J. Hügel a été partiellement financé par une bourse du programme IFI du Service allemand d’échanges universitaires (DAAD) et par le ministère fédéral de l’Éducation et de la Recherche (BMBF) ainsi que par la Fondation allemande pour la recherche (426671079).