Résumé: Un nouvel outil d’IA a identifié un long COVID chez 22,8 % des patients, un taux beaucoup plus élevé que celui diagnostiqué précédemment. En analysant de nombreux dossiers de santé de près de 300 000 patients, l’algorithme identifie les longs COVID en distinguant les symptômes liés spécifiquement à l’infection par le SRAS-CoV-2 plutôt que les conditions préexistantes.
Cette approche d’IA, connue sous le nom de « phénotypage de précision », aide les cliniciens à différencier les longs symptômes du COVID des autres problèmes de santé et peut améliorer la précision du diagnostic d’environ 3 %.
Faits clés :
- Phénotypage de précision basé sur l’IA: Identifie le COVID long uniquement après avoir exclu les autres causes de symptômes dans les dossiers de santé, améliorant ainsi la précision du diagnostic.
- Représentation plus large: Les diagnostics algorithmiques reflètent le profil démographique du Massachusetts, abordant les biais trouvés dans les codes de diagnostic traditionnels.
- Potentiel de recherche: L’algorithme pourrait faire progresser les recherches futures sur les facteurs génétiques et biochimiques des sous-types longs de COVID.
Source: Harvard
Alors que des études de diagnostic antérieures suggéraient que 7 pour cent de la population souffrait d’un long COVID, un nouvel outil d’IA développé par Mass General Brigham a révélé un chiffre beaucoup plus élevé de 22,8 pour cent, selon l’étude.
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 le 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 MedRxivpourrait 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 également 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.
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 au COVID-19 afin de 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.
Les limites de l’étude et de l’outil d’IA incluent le fait que les données du dossier de santé que l’algorithme utilise pour prendre en compte les 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 date 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.
Financement: Le soutien a été apporté par les National Institutes of Health, le National Institute of Allergy and Infectious Diseases (NIAID) R01AI165535, le National Heart, Lung, and Blood Institute (NHLBI) OT2HL161847 et le 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).
À propos de cette IA et de l’actualité longue de la recherche COVID
Auteur: Communications MGB
Source: Harvard
Contact: MGB Communications – Harvard
Image: L’image est créditée à Neuroscience News
Recherche originale : Accès libre.
« Phénotypage de précision pour la sélection de cohortes de recherche de patients présentant des séquelles post-aiguës du COVID-19 (PASC) comme diagnostic d’exclusion» par Hossein Estiri et al. MedRxiv
Abstrait
Phénotypage de précision pour la sélection de cohortes de recherche de patients présentant des séquelles post-aiguës du COVID-19 (PASC) comme diagnostic d’exclusion
L’identification évolutive des patients présentant des séquelles post-aiguës du COVID-19 (PASC) est difficile en raison du manque d’algorithmes de phénotypage de précision reproductibles et de la précision sous-optimale, des biais démographiques et de la sous-estimation du code de diagnostic PASC (ICD-10 U09.9). ).
Dans une étude cas-témoins rétrospective, nous avons développé un algorithme de phénotypage de précision pour identifier des cohortes de recherche de patients PASC, définies comme un diagnostic d’exclusion. Nous avons utilisé les données longitudinales des dossiers de santé électroniques (DSE) de plus de 295 000 patients de 14 hôpitaux et 20 centres de santé communautaires du Massachusetts.
L’algorithme utilise un mécanisme d’attention pour exclure les séquelles que des conditions antérieures peuvent expliquer. Nous avons effectué des examens indépendants des dossiers pour affiner et valider notre algorithme de phénotypage de précision.
Notre algorithme de phénotypage PASC améliore la précision et l’estimation de la prévalence et réduit les biais dans l’identification des patients atteints de COVID long par rapport au code de diagnostic U09.9.
Notre algorithme a identifié une cohorte de recherche PASC de plus de 24 000 patients (contre environ 6 000 en utilisant le code de diagnostic U09.9), avec une précision de 79,9 % (contre 77,8 % avec le code de diagnostic U09.9).
Notre prévalence estimée du PASC était de 22,8 pour cent, ce qui est proche des estimations nationales pour la région. Nous fournissons également une analyse approfondie décrivant les attributs cliniques, englobant les effets persistants identifiés par organe, les profils de comorbidité et les différences temporelles dans le risque de PASC.
La méthode de phénotypage PASC présentée dans cette étude offre une précision supérieure, mesure avec précision la prévalence du PASC sans la sous-estimer et présente moins de biais dans l’identification des patients Long COVID.
La cohorte PASC dérivée de notre algorithme servira de tremplin pour approfondir les subtilités génétiques, métabolomiques et cliniques du Long COVID, surmontant les contraintes des récentes études de cohorte PASC, qui ont été entravées par leur taille limitée et leurs données de résultats disponibles.