Prédire la survie chez les patients atteints de cardiopathie coronarienne

La maladie coronarienne (CAD) est un gros problème de santé où des plaques s'accumulent dans les artères qui alimentent le cœur en sang. Ces plaques sont principalement composées de cholestérol et peuvent rétrécir les artères, rendant plus difficile le passage du sang. Les personnes atteintes de CAD ont un risque élevé de mourir. En fait, la CAD est responsable d'environ 610 000 décès chaque année aux États-Unis, ce qui représente 1 décès sur 4. Dans le monde, c'est l'une des principales causes de décès, avec environ 17,8 millions de morts annuellement. La charge financière de la CAD sur les systèmes de santé est énorme, coûtant plus de 200 milliards de dollars chaque année aux États-Unis.

Malgré l'impact élevé de la CAD, il n'existe pas beaucoup de moyens fiables pour prédire combien un patient risque de mourir de cela. Avoir de meilleures méthodes de prédiction pourrait aider les médecins à prendre des décisions plus éclairées sur l'utilisation efficace des ressources médicales, sauvant potentiellement des vies. La recherche actuelle se concentre sur la création de modèles plus précis qui peuvent prédire les risques associés à la CAD et améliorer les chances de survie des patients.

De nombreux modèles existants visent à prédire les risques de mortalité chez les patients atteints d'autres problèmes de santé graves, comme le diabète. Certains modèles examinent également les facteurs qui augmentent le risque spécifiquement pour les patients de CAD. Cependant, il y a encore un vide dans les modèles de prédiction conçus pour les résultats de la CAD.

Une approche prometteuse est une combinaison de l'exploration des processus et de l'apprentissage profond. Cette méthode a été utile pour comprendre les résultats de santé des patients en soins intensifs (ICU) atteints de diverses maladies. Elle commence par analyser les données enregistrées concernant les événements des patients, comme les informations critiques sur leur santé, les données démographiques et le moment des événements. Ces informations sont traitées pour créer des échantillons représentant l'état du patient au fil du temps, qui sont ensuite utilisés dans un réseau de neurones pour prédire les résultats de santé. Les résultats de cette approche ont montré des améliorations significatives par rapport aux méthodes traditionnelles.

L'objectif est d'utiliser cette approche combinée d'exploration de processus et d'apprentissage profond pour prédire si les patients CAD vont survivre ou non. Les résultats de cette méthode seront comparés à plusieurs autres modèles d'apprentissage machine pour évaluer son efficacité.

#Qu'est-ce que l'exploration de processus ?

L'exploration de processus est une technique qui analyse les processus en examinant les journaux d'événements. Ces journaux enregistrent les actions effectuées pendant un processus, permettant aux chercheurs de comprendre comment ces processus fonctionnent. Les trois principaux types d'exploration de processus sont la découverte des processus, la vérification du respect des processus et l'amélioration des processus. Dans ce contexte, l'exploration de processus va aider à créer un modèle qui visualise les étapes qu'un patient suit lors des soins médicaux.

#Réseaux de Petri : Un outil pour comprendre les processus

Un réseau de Petri est un modèle mathématique utilisé pour représenter des processus. Il se compose de lieux représentés par des cercles et de transitions représentées par des rectangles. Chaque événement dans le processus est marqué par le déclenchement d'une transition. Les cercles montrent l'état actuel du processus, avec des jetons à l'intérieur indiquant l'activité. Lorsque les conditions sont remplies, les transitions peuvent se déclencher, montrant que le processus est passé à l'étape suivante.

#Qu'est-ce que les journaux d'événements ?

Un Journal d'événements enregistre des actions spécifiques qui changent l'état d'un processus. Chaque action, appelée événement, peut se produire plusieurs fois. Chaque événement a un nom et un horodatage, indiquant quand il a eu lieu. Une séquence de ces événements s'appelle une trace. Cette structure organisationnelle aide à suivre ce qui se passe à chaque étape du processus.

#Décay Replay Mining : Une nouvelle approche

Le Décay Replay Mining (DREAM) est une méthode en exploration de processus qui peut prédire les événements futurs dans un processus basé sur des données passées. LOVE étend les lieux trouvés dans le réseau de Petri avec des fonctions de dépréciation temporelle, qui prennent en compte quand les événements se sont produits. Au fur et à mesure que le journal d'événements est utilisé dans le réseau de Petri, ces fonctions de dépréciation temporelle aident à créer des échantillons d'état chronométrés.

#Échantillons d'état chronométrés expliqués

Les échantillons d'état chronométrés sont créés après qu'un journal d'événements a été utilisé dans le réseau de Petri. Ces échantillons contiennent des informations temporelles qui reflètent l'état du processus à divers moments. Ces informations sont cruciales pour faire des prédictions précises.

#Prédiction de la mortalité des patients CAD

Pour prédire la mortalité des patients CAD, la méthode consiste à sélectionner des caractéristiques importantes à partir des données des patients. Les données sont recueillies à partir d'une base de données connue sous le nom de MIMIC III, qui comprend les dossiers médicaux des patients. Seuls les patients ayant des admissions précédentes à l'hôpital sont pris en compte pour cette analyse.

Les caractéristiques extraites des données incluent les types d'admission à l'hôpital, les informations d'assurance, les résultats de laboratoire, l'âge, le sexe et d'autres conditions de santé. Ces éléments sont ensuite convertis en journaux d'événements, qui suivent la séquence des événements dans les soins d'un patient, en utilisant des horodatages pour montrer quand chaque événement a eu lieu.

En utilisant la méthode DREAM, la prédiction se concentre sur la question de savoir si un patient CAD va survivre à son séjour à l'hôpital ou non. Le réseau de neurones prend en compte les échantillons d'état chronométrés et les données démographiques pour analyser la probabilité du résultat du patient.

#Architecture du réseau de neurones

Le réseau de neurones utilisé pour cette prédiction a une structure spécifique. Les échantillons d'état chronométrés sont introduits dans une branche du réseau, qui possède une couche cachée avec 200 neurones. Après traitement à travers cette couche, un taux de décrochage de 0,2 est appliqué pour éviter le surajustement. Les données démographiques telles que l'âge et le sexe sont introduites dans une autre couche cachée avec 20 neurones, et un autre taux de décrochage de 0,2 est appliqué. Les résultats de ces couches sont ensuite combinés dans une couche finale qui consiste en 90 neurones, également avec un taux de décrochage de 0,2.

#Tester et comparer les modèles

Pour évaluer l'efficacité de cette nouvelle méthode, les prédictions faites par l'approche d'exploration de processus et d'apprentissage profond sont comparées à plusieurs modèles de référence. Ces modèles de référence sont créés en utilisant des algorithmes d'apprentissage machine traditionnels tels que les machines à vecteurs de support, les arbres de décision, les forêts aléatoires et XG-Boost. Chacun de ces modèles est entraîné avec les mêmes fonctionnalités pour garantir l'équité de la comparaison.

La performance des divers modèles est évaluée à l'aide d'un score d'aire sous la courbe (AUC), qui indique à quel point chaque modèle peut distinguer les patients qui survivent de ceux qui ne survivent pas. Plus le score AUC est élevé, mieux c'est pour la capacité prédictive du modèle.

#Résultats et conclusions

Les résultats des tests indiquent que la méthode proposée a un score AUC plus élevé comparé à tous les modèles de référence. Cela montre que l'approche d'exploration de processus et d'apprentissage profond est plus efficace pour prédire les taux de mortalité parmi les patients CAD. De plus, cette méthode offre des perspectives sur la façon dont l'historique médical et le moment des événements peuvent impacter les résultats des patients.

#Limitations et travaux futurs

Bien que cette approche présente des promesses, elle a aussi ses limites. L'efficacité dépend beaucoup de la disponibilité des données des patients. Les petites cliniques ou hôpitaux peuvent ne pas avoir d'historiques complets des patients, ce qui pourrait limiter l'utilité de la méthode. De plus, les hôpitaux ne partagent souvent pas les données, rendant difficile l'entraînement adéquat du modèle. Trouver des moyens de surmonter ces limitations est essentiel pour améliorer la précision du modèle.

Le cadre proposé cherche à améliorer les prédictions pour les patients CAD en intégrant à la fois l'historique médical et les informations temporelles. Il y a des projets d'explorer différentes techniques de modélisation à l'avenir dans l'espoir d'augmenter encore la précision.

Prédire les résultats des patients CAD rapidement permet aux équipes médicales d'agir promptement, garantissant que les patients reçoivent les meilleurs soins possibles. Le cadre discuté peut aider à allouer les ressources plus efficacement, augmentant potentiellement la durée de vie des patients atteints de CAD.

Au fur et à mesure que des méthodes plus raffinées sont développées, elles peuvent potentiellement s'adapter à diverses situations cliniques, bénéficiant ainsi aux patients et aux systèmes de santé. Incorporer des données opportunes dans les prévisions fournit des insights précieux qui peuvent éclairer de meilleures décisions de traitement et améliorer les soins globaux aux patients.