Une méthode révolutionnaire à faible coût identifie précocement le risque de démence pour moins de 1 $

La détection des risques joue un rôle crucial dans la gestion des soins et peut potentiellement influencer la progression de la maladie.

Des chercheurs du Regenstrief Institute, de l’Université d’Indiana et de l’Université Purdue ont introduit une approche rentable et évolutive pour la détection précoce des personnes à risque de démence. Bien que la démence reste incurable, la prise en compte des facteurs de risque courants peut contribuer à réduire le risque de développer la maladie ou à ralentir la progression du déclin cognitif.

« La détection du risque de démence est importante pour une gestion et une planification appropriées des soins », a déclaré l’auteur principal de l’étude, Malaz Boustani, MD, MPH., de l’Institut Regenstrief et de l’École de médecine IU. « Nous voulions résoudre le problème de l’identification précoce des personnes susceptibles de développer une démence avec une solution à la fois évolutive et rentable pour le système de santé.

« Pour ce faire, nous utilisons les informations existantes – les données passives – déjà contenues dans les dossiers médicaux du patient pour ce que nous appelons une évaluation zéro minute à un coût inférieur à un dollar. La méthodologie de sélection de contenu axée sur la décision est utilisée pour développer une prédiction individualisée du risque de démence ou pour démontrer des preuves de troubles cognitifs légers.

Cette technique utilise apprentissage automatique pour sélectionner un sous-ensemble d’expressions ou de phrases à partir des notes médicales du dossier de santé électronique (DSE) d’un patient rédigées par un médecin, une infirmière, un travailleur social ou un autre prestataire qui sont pertinentes pour le résultat cible sur une période d’observation définie. Les notes médicales sont des récits dans un DSE qui décrivent la santé du patient sous forme de texte libre.

Extraire des informations à partir de notes médicales

Les informations sélectionnées pour être extraites des notes médicales afin de prédire le risque de démence peuvent inclure des commentaires de cliniciens, des remarques de patients, des valeurs de tension artérielle ou de cholestérol au fil du temps, des observations de l’état mental par un membre de la famille ou des antécédents de médicaments, y compris les médicaments sur ordonnance et en vente libre. médicaments ainsi que des remèdes et suppléments « naturels ».

La prévision du risque de démence aide le patient, la famille et les prestataires de soins de santé à accéder à des ressources telles que les groupes de soutien et le programme modèle Centers for Medicare et Medicaid GUIDE, qui soutient le maintien plus long des individus chez eux.

Cela pourrait également encourager les cliniciens à déprendre des médicaments couramment pris par les personnes âgées, mais connus pour affecter négativement le cerveau, ainsi qu’à discuter avec le patient de médicaments en vente libre présentant des caractéristiques similaires. Connaître le risque de démence pourrait inciter le médecin à envisager des thérapies réduisant l’amyloïde récemment approuvées par la FDA, qui modifient la trajectoire de la démence. Alzheimer maladie.

Apprentissage automatique et validation clinique

« Notre méthodologie combine l’apprentissage automatique supervisé et non supervisé afin d’extraire des phrases pertinentes pour la démence à partir de la grande quantité de notes médicales facilement disponibles pour chaque patient », a déclaré la co-auteure de l’étude Zina Ben Miled, PhD, MS, un institut Regenstrief. scientifique affilié et ancien membre du corps professoral de l’Université Purdue d’Indianapolis. « En plus d’améliorer les prévisions précisioncela permet au prestataire de santé de confirmer rapidement la déficience cognitive en examinant le texte spécifique utilisé pour piloter l’évaluation des risques par notre modèle linguistique.

« Les chercheurs du Regenstrief Institute et de l’Université d’Indiana ont été des pionniers dans la démonstration de l’utilité des dossiers de santé électroniques depuis le début des années 1970. Compte tenu de l’énorme quantité d’efforts déployés par les cliniciens et les patients pour capturer les données du DSE, l’objectif doit être de rechercher une valeur clinique maximale de ces données, même au-delà de leur rôle central dans les soins médicaux », a déclaré le co-auteur de l’étude Paul Dexter, MD, de Regenstrief et de l’École de médecine IU. « En appliquant des méthodes d’apprentissage automatique pour identifier les patients présentant un risque élevé de démence à l’avenir, cette étude fournit un exemple excellent et innovant de la valeur clinique que l’on peut obtenir des DSE. L’identification précoce de la démence s’avérera de plus en plus vitale, notamment à mesure que de nouveaux traitements seront développés.

Bien que les bénéficiaires finaux de l’utilisation de la nouvelle technique soient les patients et les soignants, fournir une évaluation de zéro minute à moins d’un coût en dollars présente un avantage évident pour les cliniciens de soins primaires qui sont surchargés et manquent souvent de temps et de formation nécessaires pour administrer des soins cognitifs spécialisés. essais.

L’essai clinique de 5 ans des auteurs de l’étude sur leur outil de prévision des risques, mené à Indianapolis et à Miami, en est à sa dernière année. Les leçons tirées de cet essai leur permettront de faire progresser l’utilité du cadre de prédiction du risque de démence dans les pratiques de soins primaires. Les chercheurs prévoient de futurs travaux sur la fusion des notes médicales avec d’autres informations contenues dans les dossiers de santé électroniques ainsi qu’avec des données environnementales.

Référence : « Prédiction du risque de démence à l’aide d’une sélection de contenu axée sur la décision à partir de notes médicales » par Shengyang Li, Paul Dexter, Zina Ben-Miled et Malaz Boustani, 18 septembre 2024, Ordinateurs en biologie et médecine.
DOI : 10.1016/j.compbiomed.2024.109144

Cette recherche est soutenue par le Instituts nationaux de la santéSubvention R01AG069765 de l’Institut national sur le vieillissement (IP : Malaz Boustani, MD, MPH ; Zina Ben Miled, PhD, et James Galvin, MD, MPH).