Le développement, validation et évaluation de l’utilité clinique d’un modèle de prédiction de mortalité à un an pour stimuler une discussion sur les objectifs de soins chez les patients hospitalisés

Les discussions sur les objectifs de soins (DOS) n’ont pas lieu aussi souvent qu’ils devraient pour les patients hospitalisés à haut risque de mortalité. Une DOS est à la fois une responsabilité éthique et une intervention associée avec une meilleure qualité de soins en fin de vie. L’identification automatique des patients à haut risque de mortalité par un modèle de prédiction au moment d’admission pourrait stimuler des médecins à amorcer une DOS avec les patients identifiés. L’objectif du projet présenté dans ce mémoire était de développer un modèle de prédiction de mortalité chez des patients hospitalisés qui soit automatisable et compatible avec les systèmes informatiques existants dans la région d’Estrie, précisément au Centre hospitalier universitaire de Sherbrooke (CHUS). Nous avons appliqué l’expertise médicale et une technique d’apprentissage automatique supervisé, la forêt aléatoire, pour développer le modèle « Soutien à la discussion précoce à l’hôpital à l’aide du pronostic » (Hospital Early Discussion Support Using Prognosis ; HEADS-UP), en tenant compte des exigences d’un modèle de prédiction visé à être implanté dans un système d’aide à la décision clinique pour stimuler les DOS. Ces exigences incluent notamment celles liées à la validité externe, l’interprétabilité et l’utilité clinique d’un modèle de prédiction. La validité externe et l’utilité clinique du modèle HEADS-UP étaient comparées à celles d’un modèle de référence, le modèle « Risque de mortalité hospitalière à un an modifié » (Modified Hospital One-year Mortality Risk ; mHOMR). Le modèle HEADS-UP avait une meilleure validité externe comparée au modèle mHOMR (indice C 0,89 vs 0,84). Le modèle HEADS-UP avait également plus d’utilité clinique que le modèle mHOMR en permettant d’identifier plus de patients qui n’ont pas eu de documentation minimale d’une DOS (la documentation du statut de réanimation) pendant une hospitalisation ni l’année précédant l’hospitalisation et qui sont décédés à l’intérieur d’un an de l’admission. Ce projet contribue sur deux fronts au discours scientifique à propos de « l’intelligence artificielle » en médecine. Premièrement, il fait preuve des stratégies pour garder l’équilibre entre l’interprétabilité et la validité prédictive dans l’application de l’apprentissage automatique à des données cliniques hautement dimensionnelles, notamment avec une méthode de sélection de variables qui est dirigée par l’expertise médicale plutôt que l’algorithme d’apprentissage. Deuxièmement, il démontre une méthode novatrice d’évaluation d’utilité clinique d’un modèle de prédiction automatisable qui vise à stimuler les DOS, en comparant la performance prédictive du modèle avec des issues axées sur le patient.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.