Les enquêteurs du Mass General Brigham ont développé un outil basé sur l’IA pour passer au crible les dossiers de santé électroniques afin d’aider les cliniciens à identifier les cas de COVID long, une maladie souvent mystérieuse qui peut englober une litanie de symptômes persistants, notamment la fatigue, la toux chronique et le brouillard cérébral après. infection par le SRAS-CoV-2.
Les résultats, publiés dans la revue Médicalpourrait identifier davantage de personnes qui devraient recevoir des soins pour cette maladie potentiellement débilitante. Le nombre de cas identifiés suggère également que la prévalence du COVID long pourrait être largement sous-estimée.
« Notre outil d’IA pourrait transformer un processus de diagnostic flou en quelque chose de précis et ciblé, donnant aux cliniciens le pouvoir de donner un sens à une condition difficile », a déclaré l’auteur principal Hossein Estiri, Ph.D., responsable de la recherche sur l’IA au Center for AI and Informatique biomédicale du système de soins de santé d’apprentissage (CAIBILS) au Mass General Brigham et professeur agrégé de médecine à la Harvard Medical School.
« Grâce à ce travail, nous pourrons peut-être enfin voir le long COVID tel qu’il est réellement et, plus important encore, comment le traiter. »
Le COVID long, également connu sous le nom de séquelles post-aiguës de l’infection par le SRAS-CoV-2 (PASC), comprend un large éventail de symptômes. Pour les besoins de leur étude, Estiri et ses collègues l’ont défini comme un diagnostic d’exclusion également associé à une infection.
Cela signifie que le diagnostic ne pouvait pas être expliqué dans le dossier médical unique du patient et qu’il devait également être associé à une infection au COVID. De plus, le diagnostic devait persister pendant deux mois ou plus au cours d’une fenêtre de suivi de 12 mois.
L’algorithme utilisé dans l’outil d’IA a été développé en extrayant des données anonymisées sur les patients des dossiers cliniques de près de 300 000 patients dans 14 hôpitaux et 20 centres de santé communautaires du système Mass General Brigham.
Plutôt que de devoir s’appuyer sur un seul code de diagnostic, l’IA utilise une nouvelle méthode développée par Estiri et ses collègues appelée « phénotypage de précision » qui passe au crible les enregistrements individuels pour identifier les symptômes et les affections liés au COVID-19 et suivre les symptômes au fil du temps afin pour les différencier des autres maladies.
Par exemple, l’algorithme peut détecter si l’essoufflement peut être le résultat de conditions préexistantes comme l’insuffisance cardiaque ou l’asthme plutôt que d’un long COVID. Ce n’est que lorsque toutes les autres possibilités auraient été épuisées que l’outil signalerait le patient comme ayant un long COVID.
« Les médecins sont souvent confrontés à devoir parcourir un enchevêtrement de symptômes et d’antécédents médicaux, sans savoir exactement quels fils tirer, tout en équilibrant des charges de travail chargées. Disposer d’un outil alimenté par l’IA qui peut le faire méthodiquement à leur place pourrait changer la donne. « , a déclaré Alaleh Azhir, MD, co-auteur principal et résidente en médecine interne au Brigham Women’s Hospital, membre fondateur du système de santé Mass General Brigham.
Les diagnostics centrés sur le patient fournis par cette nouvelle méthode peuvent également contribuer à atténuer les biais intégrés dans les diagnostics actuels du COVID long, selon les chercheurs, qui notent que les patients diagnostiqués avec le code de diagnostic officiel CIM-10 pour le COVID long ont tendance à se tourner vers ceux ayant un accès plus facile. aux soins de santé.
Alors que d’autres études diagnostiques suggèrent qu’environ 7 % de la population souffre d’une COVID longue, cette nouvelle approche révèle une estimation beaucoup plus élevée : 22,8 %. Les auteurs ont déclaré que ce chiffre correspond plus étroitement aux tendances nationales et dresse un tableau plus réaliste du bilan à long terme de la pandémie.
Les chercheurs ont déterminé que leur outil était environ 3 % plus précis que ce que captent les codes CIM-10, tout en étant moins biaisé. Plus précisément, leur étude a démontré que les individus qu’ils ont identifiés comme ayant un long COVID reflètent la composition démographique plus large du Massachusetts, contrairement aux algorithmes de long COVID qui s’appuient sur un seul code de diagnostic ou des rencontres cliniques individuelles, faussant les résultats en faveur de certaines populations telles que celles ayant un meilleur accès à soins.
« Cette portée plus large garantit que les communautés marginalisées, souvent mises à l’écart dans les études cliniques, ne seront plus invisibles », a déclaré Estiri.
Les limites de l’étude et de l’outil d’IA incluent le fait que les données des dossiers de santé utilisées dans l’algorithme pour rendre compte des longs symptômes du COVID peuvent être moins complètes que celles saisies par les médecins dans les notes cliniques post-visite.
Une autre limite était que l’algorithme ne prenait pas en compte l’aggravation possible d’un état antérieur, qui aurait pu être un symptôme de longue date du COVID. Par exemple, si un patient souffrait de BPCO et que ses épisodes antérieurs se sont aggravés avant qu’il ne développe le COVID-19, l’algorithme aurait pu le supprimer même si ses symptômes persistants étaient un long indicateur de COVID.
La diminution du nombre de tests de dépistage du COVID-19 au cours des dernières années rend également difficile l’identification du moment où un patient a pu contracter le COVID-19 pour la première fois. L’étude était également limitée aux patients du Massachusetts.
De futures études pourraient explorer l’algorithme dans des cohortes de patients souffrant de maladies spécifiques, comme la BPCO ou le diabète. Les chercheurs prévoient également de rendre public cet algorithme en libre accès, où les médecins et les systèmes de santé du monde entier pourront l’utiliser auprès de leurs populations de patients.
En plus d’ouvrir la porte à de meilleurs soins cliniques, ces travaux pourraient jeter les bases de recherches futures sur les facteurs génétiques et biochimiques à l’origine des différents sous-types de COVID long. « Les questions sur le véritable fardeau de la longue COVID – des questions qui sont restées jusqu’ici insaisissables – semblent désormais plus à portée de main », a déclaré Estiri.
