L'accident vasculaire cérébral (AVC) est l'une des urgences médicales les plus difficiles à diagnostiquer, or le pronostic dépend fortement de la rapidité de la prise en charge. Ce diagnostic est rendu complexe notamment dans un contexte de crises d'épilepsie, de migraines ou d'intoxication alcoolique.
Aux États-Unis, les décès évitables liés à des AVC et dus à des erreurs de diagnostic sont plus de 30 fois plus fréquents que dans le cas des infarctus du myocarde. Il s’agit donc d’un réel problème de santé publique.
De plus, le retard dans la prise en charge est majoré lorsque l’accès aux soins est limité pour des raisons géographiques et/ou sociologiques. Dans la population américaine, les Noirs et les Hispaniques, les femmes, les personnes âgées et les habitants des zones rurales ont moins de chance d'être diagnostiqués rapidement, donc de bénéficier d’un traitement optimal.
Une équipe de chercheurs a utilisé des méthodes de machine learning, afin de traiter les données disponibles lors de l’admission des patients à l'hôpital. Leur objectif : développer un modèle qui identifie immédiatement les informations pertinentes parmi un grand volume de données et génère des prédictions de diagnostic pour les patients.
Les données comprennent les observations cliniques et les résultats d'imagerie diagnostique. Ces informations sont à la disposition des médecins mais ne sont pas toujours disponibles lorsque les patients sont triés dans les services d’urgence, en particulier dans les communautés rurales et mal desservies.
La grande nouveauté, c'est que l’algorithme évalue aussi la valeur des déterminants sociaux de la santé (DSS), c'est-à-dire les conditions dans lesquelles les personnes naissent, grandissent, vivent et vieillissent, ainsi que les facteurs qui déterminent ces conditions.
Dans cette étude, les chercheurs ont examiné plus de 143.000 admissions à l'hôpital dans les hôpitaux de soins aigus de Floride, entre 2012 et 2014. Ils ont également examiné les données SDoH (Social determinants of health) de l'American Community Survey issu du recensement américain.
Leur modèle a intégré des variables collectées régulièrement, telles que les données démographiques de base (âge, sexe, race, origine ethnique), le nombre de maladies chroniques et le type d'assurance maladie.
Ce modèle s'est révélé précis (84% d'exactitude dans la prédiction des AVC) et particulièrement sensible. Il surpasse les échelles existantes, qui «manquent» jusqu'à 30% des AVC.
Ces résultats suggèrent qu'il est possible de prédire la probabilité qu'un patient soit victime d'un AVC sur la base des données démographiques et des déterminants sociaux de la santé du patient déjà disponibles au moment de l'admission, donc avant l’obtention des résultats des examens d'imagerie ou de laboratoire.
Selon les chercheurs, ce nouveau modèle peut compléter les outils actuels afin d’aider à prioriser rapidement les patients en vue d'une prise en charge appropriée, en particulier dans les hôpitaux moins bien équipés.
Il pourrait également être utile dans les services d'urgence non spécialisés ou peu fréquentés, où les opérateurs prennent peu d’AVC en charge et sont donc moins expérimentés.
Parmi les limites de l'étude, les auteurs notent que, l'étude étant rétrospective, la confirmation des cas d'AVC s'est basée sur les codes de la classification internationale des maladies et non sur l'examen des dossiers des patients.
En outre, ils insistent sur le fait que leur algorithme ne doit pas être considéré comme un gold standard pour le diagnostic de l'AVC, mais plutôt comme un modèle qui complète les systèmes d’évaluation de l'AVC existants déjà utilisés dans les hôpitaux.
Enfin, leurs résultats sont limités par les variables des déterminants sociaux de la santé disponibles dans les données administratives.
Référence :
Chen M, Tan X, Padman R. A Machine Learning Approach to Support Urgent Stroke Triage Using Administrative Data and Social Determinants of Health at Hospital Presentation : Retrospective Study. J Med Internet Res. 2023 Jan 30;25:e36477. doi : 10.2196/36477. PMID : 36716097 ; PMCID : PMC9926350.