Pages

mercredi 29 avril 2020

ETUDE RECHERCHE USA Le risque de suicide peut-il être prédit à partir du dossier d'un patient ?

Le risque de suicide peut-il être prédit à partir du dossier d'un patient ?
D'apres article
News Release  Could suicide risk be predicted from a patient's records? https://www.eurekalert.org/*

Les modèles informatiques signalent de nombreux patients à risque de tentatives de suicide, deux ans à l'avance

Hôpital pour enfants de Boston

Le suicide est aujourd'hui la deuxième cause de décès chez les jeunes Américains. Les suicides ont augmenté de 30 % entre 2000 et 2016, et l'année 2016 à elle seule a vu 1,3 million de tentatives de suicide. Aujourd'hui, une étude menée par l'hôpital pour enfants de Boston et l'hôpital général du Massachusetts démontre qu'un modèle informatique prédictif peut identifier les patients à risque de tentative de suicide à partir des modèles de leur dossier médical électronique - en moyenne deux ans à l'avance.

De tels modèles pourraient potentiellement alerter les professionnels de la santé avant une visite, aidant ainsi les patients à bénéficier d'interventions appropriées, affirment les chercheurs. Les résultats ont été publiés le mois dernier dans JAMA Network Open..

"Les ordinateurs ne peuvent pas remplacer les équipes de soins dans l'identification des problèmes de santé mentale", déclare Ben Reis, PhD, directeur du groupe de médecine prédictive, qui fait partie du programme CHIP ( Computational Health Informatics Program (CHIP) de l'hôpital pour enfants de Boston, et co-auteur principal du document. "Mais nous pensons que les ordinateurs, s'ils sont bien conçus, pourraient identifier les patients à haut risque qui pourraient actuellement passer inaperçus dans le système de santé. Nous envisageons un système qui pourrait dire au médecin que "parmi tous vos patients, ces trois-là appartiennent à une catégorie à haut risque". Prenez quelques minutes supplémentaires pour leur parler".

L'équipe a analysé les données des dossiers médicaux électroniques de plus de 3,7 millions de patients âgés de 10 à 90 ans dans cinq systèmes de santé américains différents : Partners HealthCare System à Boston ; Boston Medical Center ; Boston Children's Hospital ; Wake Forest Medical Center en Caroline du Nord ; et University of Texas Health Science Center à Houston. Les différents centres ont fourni des données sur une période de six à 17 ans, notamment les codes de diagnostic, les résultats des tests de laboratoire, les codes de procédure médicale et les médicaments.

Les dossiers ont fait état de 39 162 tentatives de suicide au total. Les modèles ont permis de détecter 38 % d'entre elles (de 33 à 39 % dans les cinq centres) avec une spécificité de 90 %. Les cas ont été relevés en moyenne 2,1 ans avant la tentative de suicide proprement dite (de 1,3 à 3,5 ans).

Les prédicteurs les plus forts, sans surprise, comprenaient les intoxications aux drogues, la dépendance aux drogues, l'intoxication alcoolique aiguë et plusieurs problèmes de santé mentale. Mais d'autres prédicteurs étaient ceux qui ne viendraient pas à l'esprit en temps normal, comme la rhabdomyolyse, la cellulite ou l'abcès de la main, et les médicaments contre le VIH.

"Il n'y avait pas un seul prédicteur", dit Reis. "C'est plutôt une gestalt ou une prépondérance d'indicateurs, un signal général qui s'accumule au fil du temps."

Conception d'un prédicteur du risque de suicide

Les enquêteurs ont développé le modèle en deux étapes, en utilisant une approche d'apprentissage automatique. Tout d'abord, ils ont montré la moitié des données de leurs patients à un modèle informatique, l'orientant vers la recherche de modèles associés à des tentatives de suicide documentées. Ensuite, ils ont tiré les leçons de cet exercice de "formation" et les ont validées en utilisant l'autre moitié de leurs données - en demandant au modèle de prédire, sur la base de ces seuls modèles, quels patients feraient éventuellement une tentative de suicide.

Dans l'ensemble, le modèle a donné des résultats similaires dans les cinq centres médicaux, mais le recyclage du modèle dans les différents centres a donné de meilleurs résultats.

"Nous aurions pu créer un modèle unique pour tous les centres médicaux, en utilisant les mêmes codes", dit Yuval Barak-Corren, MD, de CHIP, premier auteur de l'article. "Mais nous avons choisi une approche qui construit automatiquement un modèle légèrement différent, adapté aux spécificités de chaque site de soins de santé".

Les résultats ont confirmé l'intérêt d'adapter le modèle à chaque site, car les centres de soins de santé peuvent avoir des facteurs prédictifs uniques, basés sur des pratiques de codage hospitalier différentes et sur les caractéristiques démographiques et sanitaires locales.

Grâce à une subvention de l'Institut national de la santé mentale, l'équipe va maintenant chercher à améliorer son approche de modélisation, par exemple en intégrant les notes cliniques des médecins dans ses données.

###

L'étude a été soutenue par le Tommy Fuss Fund, le National Institute of Mental Health (R01MH117599), le Patient-Centered Outcomes Research Institute (CDRN-1306-04608), le National Center for Advancing Translational Sciences (U54 TR002804), U01 TR002393), l'Institut de recherche sur la prévention du cancer du Texas (RP150535, RP170668), le Cullen Trust for Health Care, une bourse de recherche sur l'HGM de la famille Tepper et la Fondation Demarest Lloyd Jr.

Jordan Smoller, MD, ScD, du Massachusetts General Hospital, était co-auteur principal de l'article. Les coauteurs à l'hôpital pour enfants de Boston étaient Kenneth Mandl, MD, MPH ; Marc Natter, MD ; et Nandan Patibandla, MS. Voir le document pour une liste complète des auteurs et des divulgations.

À propos du Boston Children's Hospital

Le Boston Children's Hospital est classé premier hôpital pour enfants du pays par U.S. News & World Report et est le principal établissement d'enseignement pédiatrique affilié à la Harvard Medical School. Il abrite la plus grande entreprise de recherche au monde

https://www.eurekalert.org/pub_releases/2020-04/bch-csr042420.php