Comment prévoir les risques graves liés à la fièvre grâce à l’intelligence artificielle ?

La fièvre est un symptôme courant, mais elle peut cacher des problèmes de santé graves. Comment savoir si une simple fièvre peut se transformer en une situation critique ? Une étude récente utilise l’intelligence artificielle pour répondre à cette question.

La fièvre : un symptôme à ne pas prendre à la légère

La fièvre est souvent le premier signe que quelque chose ne va pas dans notre corps. Elle peut être causée par une infection, une inflammation, ou même des problèmes plus sérieux comme une septicémie (infection généralisée) ou un accident vasculaire cérébral (AVC). Dans les services d’urgence, les médecins doivent rapidement identifier les patients à risque de complications graves. Mais avec tant de causes possibles, cette tâche est complexe.

Traditionnellement, les médecins utilisent des scores de gravité comme l’APACHE II (un système qui évalue l’état de santé global d’un patient). Cependant, ces méthodes ne sont pas toujours adaptées aux patients fiévreux. C’est là que l’intelligence artificielle (IA) entre en jeu. En analysant de grandes quantités de données, l’IA peut aider à prédire les risques de manière plus précise.

Une étude pour mieux comprendre les risques

Une étude menée à l’hôpital général de l’Armée populaire de libération en Chine a examiné les données de 28 400 patients admis aux urgences entre 2014 et 2018. Les chercheurs ont cherché à identifier les facteurs qui augmentent le risque de décès ou de complications graves chez les patients fiévreux.

Les patients inclus dans l’étude avaient une température de 37,3°C ou plus et étaient âgés de 12 ans ou plus. Ceux qui sont décédés dans les quatre heures suivant leur admission ou qui n’ont pas pu effectuer les examens nécessaires ont été exclus. Les patients ont été divisés en deux groupes : ceux qui ont eu un pronostic grave (décès ou réanimation) et ceux qui ont eu un bon pronostic.

Comment l’IA a-t-elle été utilisée ?

Les chercheurs ont extrait des données comme l’âge, les signes vitaux (fréquence cardiaque, tension artérielle, etc.), les résultats des analyses de sang, et d’autres indicateurs cliniques. Ils ont ensuite utilisé des algorithmes d’apprentissage automatique (machine learning) pour analyser ces données.

Quatre modèles d’IA ont été testés : la régression logistique, la forêt aléatoire (random forest), AdaBoost, et le bagging. Ces modèles ont été entraînés pour prédire les risques de complications graves en fonction des données des patients. Les performances des modèles ont été évaluées en mesurant leur précision, leur sensibilité, et leur capacité à distinguer les patients à risque.

Les résultats : quels sont les facteurs clés ?

L’analyse a révélé que certains indicateurs sont particulièrement importants pour prédire les risques graves. Parmi eux, on trouve :

• La troponine T cardiaque (CTnT) : un marqueur de lésion cardiaque.
• La fréquence respiratoire (RR) : le nombre de respirations par minute.
• La saturation en oxygène (SPO2) : la quantité d’oxygène dans le sang.
• La température (T).
• L’albumine (ALB) : une protéine dans le sang, souvent basse en cas de maladie grave.
• Le potassium (K) : un électrolyte essentiel.

Le modèle de régression logistique a identifié la CTnT comme le facteur le plus prédictif. Une augmentation de ce marqueur est fortement associée à un risque accru de complications. La saturation en oxygène, quant à elle, est un facteur protecteur : un niveau élevé réduit les risques.

Les performances des modèles d’IA

Parmi les modèles testés, la régression logistique et le bagging ont montré les meilleures performances. Le bagging, en particulier, a une sensibilité élevée, ce qui signifie qu’il est bon pour identifier les patients à risque. Ces modèles ont été validés en utilisant des données externes, confirmant leur fiabilité.

Cependant, l’étude a ses limites. Les patients inclus avaient des causes de fièvre très variées, et le modèle n’a pas été testé pour des causes spécifiques. De plus, l’étude étant rétrospective, les résultats doivent être confirmés par des recherches plus larges et prospectives.

Pourquoi ces résultats sont-ils importants ?

Cette étude montre que l’IA peut aider les médecins à mieux évaluer les risques chez les patients fiévreux. En identifiant les facteurs clés comme la CTnT, la fréquence respiratoire, ou la saturation en oxygène, les médecins peuvent agir plus rapidement pour prévenir les complications.

Par exemple, un patient avec une CTnT élevée et une saturation en oxygène basse pourrait bénéficier d’une surveillance plus étroite et d’un traitement adapté. Cela pourrait sauver des vies en évitant des situations critiques.

Conclusion

L’intelligence artificielle offre de nouvelles possibilités pour améliorer les soins médicaux. Cette étude montre comment l’IA peut aider à prédire les risques graves liés à la fièvre. En combinant des données cliniques et des algorithmes avancés, les médecins peuvent mieux comprendre les besoins de leurs patients et agir en conséquence.

Les modèles développés dans cette étude, en particulier la régression logistique et le bagging, sont des outils prometteurs pour les services d’urgence. Ils pourraient devenir une aide précieuse pour les médecins, permettant de sauver des vies en identifiant rapidement les patients à risque.

For educational purposes only.

doi.org/10.1097/CM9.0000000000000675