Les modèles d’apprentissage automatique peuvent prédire l’asthme diagnostiqué par un médecin dans la petite enfance, selon une étude récente. La respiration sifflante, l’atopie, l’exposition aux antibiotiques, les infections des voies respiratoires inférieures et le fait que la mère de l’enfant souffre d’asthme étaient les marqueurs les plus puissants d’un diagnostic d’asthme.
Cette étude de cohorte basée sur la population est publiée dans Recherche pédiatrique.
Enfant utilisant un masque inhalateur | Crédit image : Anchalee – stock.adobe.com
« L’asthme infantile est une maladie respiratoire chronique qui persiste souvent tout au long de la vie d’un individu, imposant un fardeau important à la fois aux patients et aux systèmes de soins de santé », ont écrit les chercheurs de l’étude. “Malgré les nombreuses options de traitement, il n’existe actuellement aucun traitement curatif disponible pour l’asthme, et les patients ont souvent besoin d’un traitement continu pour gérer leurs symptômes et prévenir les exacerbations.”
L’étude visait à mieux comprendre le timing relatif et l’importance des premiers marqueurs de l’asthme à l’aide de modèles d’apprentissage automatique.
Les chercheurs ont utilisé les données de la cohorte de naissance canadienne de développement longitudinal des nourrissons en santé (CHILD), l’une des plus grandes études de cohorte en cours au Canada qui a rassemblé des données sur la recherche sur l’asthme et les allergies depuis le milieu de la grossesse jusqu’à l’enfance. L’étude a inclus des femmes enceintes provenant de plusieurs sites dans 4 provinces canadiennes entre 2008 et 2012.
Dans la présente étude, seuls les enfants ayant rempli un questionnaire CHILD et présentant un asthme diagnostiqué par un médecin lors de visites cliniques à l’âge de 5 ans ont été inclus. L’ensemble de données a été stratifié par statut d’asthme et divisé au hasard en un ensemble de données d’entraînement (85 %) et un ensemble de données d’exclusion (15 %) pour évaluer les performances des modèles d’apprentissage automatique de formation et de réglage.
L’ensemble de données de formation comprenait 1 484 enfants, dont 1 395 ne souffraient pas d’asthme et 90 souffraient d’asthme. L’ensemble de données retenu comprenait 270 enfants, dont 250 ne souffraient pas d’asthme et 20 souffraient d’asthme. L’ensemble de test a été mis de côté, tandis que l’ensemble de formation a été utilisé pour le réglage du modèle et la sélection des fonctionnalités.
De plus, les chercheurs ont comparé les performances prédictives de 5 modèles différents (régression logistique, forêt aléatoire, eXtreme Gradient Boost, arbre de décision et machine à vecteurs de support) afin d’identifier les meilleurs algorithmes d’apprentissage automatique pour prédire l’asthme infantile. De plus, 132 variables ont été utilisées à partir de 6 moments (naissance, 6 mois, 1 an, 2 ans, 3 ans et 4 ans) pour chaque algorithme d’apprentissage automatique afin de prédire l’asthme diagnostiqué par un médecin lors de la visite clinique de 5 ans.
Les modèles prédictifs ont montré que les données sur le début de la vie à 1 an et moins avaient une capacité prédictive limitée pour l’asthme diagnostiqué par un médecin à 5 ans (aire sous la courbe précision-rappel [AUPRC] < 0.35). The earliest reliable prediction of asthma was achieved at 3 years (area under the receiver-operator curve [AUROC] > 0,90 ; AUPRC > 0,80).
De plus, l’asthme maternel, l’exposition aux antibiotiques et les infections des voies respiratoires inférieures sont restés des indicateurs hautement prédictifs de l’asthme tout au long de l’enfance, tandis que la respiration sifflante et l’atopie étaient les prédicteurs les plus importants de l’asthme de la petite enfance.
Cependant, les chercheurs ont identifié certaines limites à leur étude. Étant donné qu’une grande partie des données utilisées pour développer les modèles d’apprentissage automatique provenaient de questionnaires et d’évaluations cliniques complétées par les parents et les cliniciens, leurs conclusions pouvaient être sujettes à des biais. Par conséquent, les chercheurs estiment que les études futures devraient intégrer des mesures objectives, telles que des marqueurs biologiques et génétiques. Cependant, les chercheurs ont également reconnu que ces types de mesures sont souvent coûteux, comportent des contraintes de temps et nécessitent des équipements spécialisés, ce qui peut limiter la généralisabilité du modèle à une population d’étude plus large.
Malgré leurs limites, les chercheurs pensent que cette étude a montré le potentiel de l’utilisation de modèles d’apprentissage automatique pour prédire le diagnostic de l’asthme chez les jeunes enfants et identifier les facteurs de risque précoces dans le développement de l’asthme.
“Il est important de noter que nos résultats suggèrent que l’asthme diagnostiqué par un médecin à l’âge de 5 ans pourrait être prédit de manière fiable à l’aide de données non biologiques et non génétiques avant l’âge de 3 ans, alors qu’une prédiction précise avant l’âge d’un an à l’aide de l’ensemble de données cliniques existantes était difficile, », ont écrit les chercheurs. “Ces résultats ont des implications significatives pour les stratégies de détection précoce et d’intervention pour l’asthme.”
Référence
He P, Moraes TJ, Dai D et al. Prédiction précoce de l’asthme pédiatrique dans la cohorte de naissance canadienne de développement longitudinal des nourrissons en santé (CHILD) à l’aide de l’apprentissage automatique. Rés. Pédiatre. Publié en ligne le 11 janvier 2024.
2024-01-18 01:23:19
1705532066
#Utiliser #des #modèles #dapprentissage #automatique #pour #prédire #lasthme #chez #les #jeunes #enfants
