Prévoir les effets indésirables et le pronostic chez les patients tuberculeux à l’aide de l’IA

Une étude récente publiée dans Diagnostique l’intelligence artificielle (IA) appliquée pour prévoir le pronostic et les effets indésirables de la tuberculose (TB).

Arrière-plan

La tuberculose est une maladie infectieuse et une cause importante de morbidité et de mortalité dans le monde. Les patients infectés peuvent être traités, et la dose/régime médicamenteux et la durée du traitement dépendent des comorbidités, du site d’infection et du type de souche.

La plupart des médicaments contre la tuberculose peuvent être toxiques pour le foie ; par conséquent, les médecins doivent surveiller les enzymes hépatiques et évaluer le risque d’hépatite. Dernièrement, des modèles d’IA et d’apprentissage automatique (ML) ont été utilisés pour diagnostiquer la tuberculose, mais moins d’études les ont utilisés pour prédire les résultats indésirables.

À propos de l’étude

Dans la présente étude, les chercheurs ont utilisé des modèles AI/ML pour prédire les résultats chez les patients tuberculeux. Ils ont recueilli des données auprès de patients tuberculeux de trois hôpitaux de Taïwan entre janvier 2004 et décembre 2021. Les données des patients de moins de 20 ans au moment du diagnostic et de ceux atteints de mycobactéries non tuberculeuses ont été exclues.

L’hépatite aiguë, l’insuffisance respiratoire et la mort toutes causes confondues pendant le traitement étaient les résultats. L’équipe a inclus des variables caractéristiques telles que l’âge, le sexe, le type de tuberculose et les comorbidités. Toutes les variables ont été utilisées pour construire des modèles de prédiction afin d’assurer une performance maximale. Les données ont été randomisées en ensembles de données d’entraînement et de test. La technique de suréchantillonnage synthétique minoritaire (SMOTE) a été appliquée pour corriger le déséquilibre des données.

Des modèles pour chaque résultat ont été générés à l’aide de six algorithmes ML – forêt aléatoire, XGBoost, machine à vecteurs de support (SVM), perceptron multicouche (MLP), machine d’amplification du gradient de lumière (LightGBM) et régression logistique. L’ensemble de données de test a été utilisé pour évaluer les modèles avec des indicateurs de précision, de sensibilité, de spécificité et de l’aire sous la courbe des caractéristiques de fonctionnement du récepteur (AUROC).

Résultats

Les auteurs ont identifié 4 018 cas au cours de la période d’étude. Après exclusions, 2 248 patients ont été sélectionnés pour la construction du modèle. La plupart des sujets étaient des hommes (71,7 %) ; l’âge moyen des participants était de 67,7 ans. L’analyse de corrélation de Spearman a identifié les taux sériques d’alanine aminotransférase, d’aspartate aminotransférase et de bilirubine totale comme des caractéristiques pertinentes pour l’hépatite aiguë, et l’urée sanguine, l’âge et le nombre de globules blancs (WBC) pour l’insuffisance respiratoire aiguë et la mortalité.

L’algorithme MLP a atteint la valeur AUROC la plus élevée de 0,834 pour prédire la mortalité avec une sensibilité de 0,722, une spécificité de 0,736 et une précision de 0,735. La forêt aléatoire avait la valeur la plus élevée de 0,884 pour la prédiction de l’insuffisance respiratoire aiguë avec une sensibilité de 0,812, une spécificité de 0,82 et une précision de 0,819. XGBoost a montré la valeur AUROC la plus élevée de 0,92 pour l’hépatite aiguë ; la sensibilité, la spécificité et la précision étaient respectivement de 0,77, 0,92 et 0,86.

conclusion

Pris ensemble, les chercheurs ont appliqué des modèles AI/ML pour la détection précoce de l’insuffisance respiratoire, de l’hépatite et du décès chez les patients tuberculeux, en utilisant des données cliniques et démographiques couramment disponibles. Notamment, l’échantillon comprenait des patients du sud de Taïwan, ce qui limite la représentativité des résultats. De plus, le statut alcool/tabac n’était pas disponible, compte tenu de la méthode de collecte rétrospective des données.