{"id":10923,"date":"2024-10-24T09:00:00","date_gmt":"2024-10-24T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/fr\/?p=10923"},"modified":"2025-01-07T13:36:55","modified_gmt":"2025-01-07T11:36:55","slug":"modele-dapprentissage-profond-pour-la-detection-precoce-des-troubles-cognitifs-a-partir-de-notes-cliniques-dans-les-dossiers-medicaux-electroniques","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/nouveautes-neuronup\/modele-dapprentissage-profond-pour-la-detection-precoce-des-troubles-cognitifs-a-partir-de-notes-cliniques-dans-les-dossiers-medicaux-electroniques\/","title":{"rendered":"Mod\u00e8le d’apprentissage profond pour la d\u00e9tection pr\u00e9coce des troubles cognitifs \u00e0 partir de notes cliniques dans les dossiers m\u00e9dicaux \u00e9lectroniques"},"content":{"rendered":"\n

Antonio Javier Sutil Jim\u00e9nez parle dans cet article des donn\u00e9es apport\u00e9es dans l’\u00e9tude \u00ab\u00a0Mod\u00e8le d’apprentissage profond pour la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif \u00e0 partir de notes cliniques dans les dossiers m\u00e9dicaux \u00e9lectroniques\u00a0\u00bb.<\/em><\/p>\n\n\n\n

Pourquoi cette \u00e9tude sur un mod\u00e8le d’apprentissage \u00e0 partir de notes cliniques est-elle importante ?<\/h2>\n\n\n\n

Cette \u00e9tude aborde la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif chez les adultes<\/strong>, ce qui est fondamental pour permettre des interventions th\u00e9rapeutiques r\u00e9ussies, ralentir le d\u00e9clin, pr\u00e9venir le d\u00e9veloppement de maladies ou faciliter l’inscription de participants dans des essais cliniques.<\/p>\n\n\n\n

Maladie d’Alzheimer<\/h3>\n\n\n\n

La maladie d’Alzheimer<\/a> est un type de d\u00e9mence qui repr\u00e9sente un grand probl\u00e8me \u00e0 l’\u00e9chelle mondiale. Cette maladie a \u00e9t\u00e9 diagnostiqu\u00e9e chez pr\u00e8s de 6 millions de personnes <\/strong>aux \u00c9tats-Unis, et sa pr\u00e9valence augmente avec l’\u00e2ge. Ainsi, le vieillissement de la population devrait \u00e9galement accro\u00eetre son incidence<\/strong> au cours des prochaines ann\u00e9es.<\/p>\n\n\n\n

Cependant, au-del\u00e0 de la maladie d’Alzheimer, le d\u00e9clin cognitif l\u00e9ger<\/a> est un probl\u00e8me de grande importance, souvent associ\u00e9 \u00e0 un d\u00e9veloppement ult\u00e9rieur de d\u00e9mence.<\/p>\n\n\n\n

D\u00e9clin cognitif subjectif<\/h3>\n\n\n\n

De m\u00eame, la cat\u00e9gorie de d\u00e9clin cognitif subjectif a r\u00e9cemment \u00e9t\u00e9 cr\u00e9\u00e9e. Ce terme fait r\u00e9f\u00e9rence \u00e0 la perception de l’individu de vivre une d\u00e9t\u00e9rioration de ses capacit\u00e9s cognitives<\/strong> par rapport \u00e0 son \u00e9tat ant\u00e9rieur.<\/p>\n\n\n\n

Bien que cette \u00e9tiquette ne soit pas une maladie en soi, il a \u00e9t\u00e9 identifi\u00e9 que les personnes dans cette condition pourraient \u00eatre \u00e0 un stade pr\u00e9coce de d\u00e9clin cognitif.<\/p>\n\n\n\n

D\u00e9tection du d\u00e9clin cognitif<\/h3>\n\n\n\n

Bien que d’importants efforts soient faits pour am\u00e9liorer les traitements de ces patients, la d\u00e9tection du d\u00e9clin cognitif reste un d\u00e9fi<\/strong>, et l’am\u00e9lioration des outils de d\u00e9tection est n\u00e9cessaire pour que les traitements ult\u00e9rieurs soient efficaces.<\/p>\n\n\n\n

Outils en soins primaires<\/h4>\n\n\n\n

\u00c9tant donn\u00e9 que le nombre de professionnels sp\u00e9cialis\u00e9s pour prendre en charge la population \u00e0 risque est limit\u00e9, une solution possible serait de doter les m\u00e9decins de soins primaires d’outils ad\u00e9quats<\/strong>. Ces m\u00e9decins ne sont pas sp\u00e9cialistes en d\u00e9mence, mais ils ont un contact direct avec cette population<\/strong>, donc leur fournir des outils pour le diagnostic semble \u00eatre une solution viable.<\/p>\n\n\n\n

Dossiers m\u00e9dicaux \u00e9lectroniques<\/h4>\n\n\n\n

L‘utilisation des dossiers m\u00e9dicaux \u00e9lectroniques<\/strong> est propos\u00e9e comme une alternative ad\u00e9quate pour la cr\u00e9ation de ces outils, car ils recueillent l’historique des visites des patients dans un syst\u00e8me de soins.<\/p>\n\n\n\n

Cependant, il est important de souligner la difficult\u00e9 d’identifier les signes de d\u00e9clin cognitif non associ\u00e9s \u00e0 l’\u00e2ge<\/strong>, qui sont souvent document\u00e9s dans des \u00e9valuations cognitives et dans les pr\u00e9occupations des patients enregistr\u00e9es par les professionnels de sant\u00e9. Bien que des \u00e9tudes aient \u00e9t\u00e9 men\u00e9es \u00e0 partir des informations cliniques des patients, l’utilisation des notes cliniques des dossiers m\u00e9dicaux pour cet objectif a rarement \u00e9t\u00e9 approfondie.<\/p>\n\n\n\n

Les notes cliniques comme ressource informative<\/h4>\n\n\n\n

Cette \u00e9tude propose l’utilisation des notes cliniques comme une ressource informative pouvant capturer des informations souvent ignor\u00e9es dans la majorit\u00e9 des \u00e9tudes. L’analyse manuelle des notes cliniques serait tr\u00e8s co\u00fbteuse, c’est pourquoi l’objectif de cette \u00e9tude \u00e9tait de d\u00e9velopper un mod\u00e8le de d\u00e9tection automatique bas\u00e9 sur le deep learning.<\/strong><\/p>\n\n\n\n

Ainsi, l’approche de cette \u00e9tude est originale et innovante en faisant usage des notes cliniques.<\/p>\n\n\n\n

Les notes cliniques sont tr\u00e8s importantes pour les dossiers de sant\u00e9 dans le domaine clinique. Cependant, leur utilisation dans le domaine scientifique a \u00e9t\u00e9 limit\u00e9e, ce qui fait que leur application pour la d\u00e9tection pr\u00e9coce du d\u00e9clin cognitif pourrait pr\u00e9senter un grand int\u00e9r\u00eat.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Que s\u2019est-il fait ?<\/h2>\n\n\n\n

Base de donn\u00e9es<\/h3>\n\n\n\n

Pour r\u00e9aliser cette \u00e9tude, les donn\u00e9es d\u2019une entreprise de sant\u00e9 priv\u00e9e ont \u00e9t\u00e9 utilis\u00e9es, en filtrant les patients par \u00e2ge (ils devaient avoir plus de 50 ans) et par diagnostic de trouble cognitif l\u00e9ger. Plus pr\u00e9cis\u00e9ment, les notes cliniques des 4 ann\u00e9es pr\u00e9c\u00e9dant le diagnostic ont \u00e9t\u00e9 analys\u00e9es.<\/strong><\/p>\n\n\n\n

La d\u00e9finition du trouble cognitif s’est bas\u00e9e sur la mention de sympt\u00f4mes, de diagnostics, d\u2019\u00e9valuations cognitives et de traitements. Lorsque les notes indiquaient un progr\u00e8s, des \u00e9pisodes transitoires ou r\u00e9versibles, elles \u00e9taient consid\u00e9r\u00e9es n\u00e9gatives pour le trouble cognitif.<\/p>\n\n\n\n

Traitement des notes cliniques et d\u00e9veloppement de la base de donn\u00e9es<\/h3>\n\n\n\n

Tout d’abord, en raison de la longueur des notes cliniques, un processeur de langage naturel<\/strong> a \u00e9t\u00e9 utilis\u00e9 pour les diviser en sections. Cette division a permis d’identifier si chaque section indiquait ou non un trouble cognitif.<\/p>\n\n\n\n

Ensuite, des mots-cl\u00e9s s\u00e9lectionn\u00e9s<\/strong> par des experts ont \u00e9t\u00e9 identifi\u00e9s<\/strong>, experts form\u00e9s pour reconna\u00eetre les sections contenant des indices de trouble cognitif. Trois annotateurs ont \u00e9tiquet\u00e9 les sections, et les conflits ont \u00e9t\u00e9 r\u00e9solus par des discussions avec des experts dans ce domaine, obtenant un bon niveau d’accord entre les annotateurs.<\/p>\n\n\n\n

De plus, un ensemble de donn\u00e9es \u00e9tiquet\u00e9<\/strong> avec 4 950 sections a \u00e9t\u00e9 cr\u00e9\u00e9 pour entra\u00eener et tester divers algorithmes d\u2019apprentissage automatique. Finalement, deux bases de donn\u00e9es ont \u00e9t\u00e9 cr\u00e9\u00e9es<\/strong> pour le d\u00e9veloppement et la validation du mod\u00e8le.<\/p>\n\n\n\n

Jeux de donn\u00e9es<\/h4>\n\n\n\n

Le premier jeu de donn\u00e9es, utilis\u00e9 pour le d\u00e9veloppement du mod\u00e8le, incluait uniquement les sections contenant des mots-cl\u00e9s s\u00e9lectionn\u00e9s. Ce jeu de donn\u00e9es contenait 4 950 sections \u00e9tiquet\u00e9es<\/strong>, pr\u00eates pour le d\u00e9veloppement des mod\u00e8les d\u2019apprentissage automatique.<\/p>\n\n\n\n

Le second jeu de donn\u00e9es consistait en 2 000 sections choisies au hasard<\/strong> parmi toutes les notes, en excluant celles utilis\u00e9es dans le premier ensemble. Ce second jeu a \u00e9t\u00e9 utilis\u00e9 pour v\u00e9rifier la capacit\u00e9 de g\u00e9n\u00e9ralisation du mod\u00e8le sur des sections de notes<\/strong> sans application de filtre bas\u00e9 sur des mots-cl\u00e9s.<\/p>\n\n\n\n

D\u00e9veloppement du mod\u00e8le et validation<\/h3>\n\n\n\n

Pour d\u00e9velopper le mod\u00e8le, une structure hi\u00e9rarchique d\u2019attention bas\u00e9e sur le deep learning, qui avait \u00e9t\u00e9 d\u00e9velopp\u00e9e dans un travail ant\u00e9rieur, a \u00e9t\u00e9 utilis\u00e9e, ainsi que quatre algorithmes de base d\u2019apprentissage automatique<\/strong> : la r\u00e9gression logistique, le random forest, la machine \u00e0 vecteurs de support et XGBoost.<\/p>\n\n\n\n

Le mod\u00e8le pr\u00e9c\u00e9demment d\u00e9velopp\u00e9 incorporait un r\u00e9seau neuronal convolutionnel adapt\u00e9 au contexte, ce qui permettait de g\u00e9rer les variations de mots et d\u2019interpr\u00e9ter la pr\u00e9diction via des couches d\u2019attention. Pour plus d\u2019informations sur le mod\u00e8le, il est recommand\u00e9 de consulter l\u2019article et ses tableaux suppl\u00e9mentaires.<\/p>\n\n\n\n

Interpr\u00e9tation de la pr\u00e9diction du mod\u00e8le<\/h4>\n\n\n\n

Pour interpr\u00e9ter la pr\u00e9diction du mod\u00e8le, les mots ayant le plus de poids dans les couches d\u2019attention utilis\u00e9es dans la pr\u00e9diction ont \u00e9t\u00e9 identifi\u00e9s. Les mots ayant un poids significatif<\/strong>, c’est-\u00e0-dire au moins 2 \u00e9carts-types au-dessus de la moyenne, ont \u00e9t\u00e9 consid\u00e9r\u00e9s comme d’une attention \u00e9lev\u00e9e et ont \u00e9t\u00e9 compar\u00e9s aux mots-cl\u00e9s originaux <\/strong>s\u00e9lectionn\u00e9s.<\/p>\n\n\n\n

D\u2019autre part, pour les mod\u00e8les de base, les sections ont \u00e9t\u00e9 repr\u00e9sent\u00e9es par la fr\u00e9quence d\u2019apparition des termes<\/strong>, et les algorithmes ont \u00e9t\u00e9 entra\u00een\u00e9s et test\u00e9s via une validation crois\u00e9e<\/strong>. Par la suite, les r\u00e9sultats du mod\u00e8le d\u00e9velopp\u00e9 par le groupe de recherche ont \u00e9t\u00e9 compar\u00e9s aux 4 mod\u00e8les de base mentionn\u00e9s.<\/p>\n\n\n\n

Comparaison des m\u00e9triques<\/h4>\n\n\n\n

Les deux mesures utilis\u00e9es pour la comparaison des m\u00e9triques \u00e9taient l\u2019AUROC <\/strong>(aire sous la courbe de la caract\u00e9ristique de fonctionnement du r\u00e9cepteur) et l\u2019AUPRC <\/strong>(aire sous la courbe de pr\u00e9cision et de rappel).<\/p>\n\n\n\n

L\u2019AUROC est une m\u00e9thode d\u2019analyse couramment utilis\u00e9e dans ces mod\u00e8les, car elle permet d\u2019\u00e9valuer diff\u00e9rents seuils entre sensibilit\u00e9 et sp\u00e9cificit\u00e9. L\u2019AUPRC est une autre m\u00e9trique importante qui offre des informations compl\u00e9mentaires pour les donn\u00e9es non \u00e9quilibr\u00e9es, lorsque le pourcentage de cas positifs est faible.<\/p>\n\n\n\n

Quelles sont les principales conclusions de cette \u00e9tude sur le mod\u00e8le d\u2019apprentissage \u00e0 partir des notes cliniques ?<\/h2>\n\n\n\n

La principale conclusion de cette \u00e9tude est qu’il est possible de r\u00e9aliser des pr\u00e9dictions diagnostiques de troubles cognitifs en utilisant un mod\u00e8le bas\u00e9 sur les notes cliniques<\/strong>. Ces patients pourraient se trouver dans les premi\u00e8res \u00e9tapes du d\u00e9clin cognitif, permettant ainsi d\u2019identifier des signes pr\u00e9coces dans les dossiers \u00e9lectroniques de sant\u00e9.<\/p>\n\n\n\n

Le mod\u00e8le d\u00e9velopp\u00e9 pour cet objectif a \u00e9t\u00e9 le meilleur pr\u00e9dicteur <\/strong>pour d\u00e9tecter les patients susceptibles de d\u00e9velopper un d\u00e9clin cognitif, sans d\u00e9pendre des donn\u00e9es structur\u00e9es. Bien que le mod\u00e8le d\u2019apprentissage profond ait \u00e9t\u00e9 le meilleur, le mod\u00e8le XGBoost a \u00e9galement montr\u00e9 de bonnes pr\u00e9dictions<\/strong> et est propos\u00e9 comme une alternative plus simple en l\u2019absence de la technologie n\u00e9cessaire.<\/p>\n\n\n\n

M\u00e9triques AUROC et AUPRC<\/h3>\n\n\n\n

Pour v\u00e9rifier ces r\u00e9sultats, on peut observer les scores obtenus dans les m\u00e9triques AUROC et AUPRC dans les ensembles de donn\u00e9es 1 et 2 (voir tableaux 1 et 2, respectivement). Il est particuli\u00e8rement notable que le mod\u00e8le bas\u00e9 sur le deep learning soit le meilleur pr\u00e9dicteur dans les deux m\u00e9triques.<\/p>\n\n\n\n

Dans le cas de l\u2019AUROC, toutes les valeurs sont sup\u00e9rieures \u00e0 0,9, le mod\u00e8le d\u2019apprentissage profond \u00e9tant toujours celui qui pr\u00e9dit le mieux. Quant \u00e0 l\u2019AUPRC, cela est encore plus \u00e9vident, car ce mod\u00e8le est le seul \u00e0 se maintenir au-dessus du seuil de 0,9.<\/p>\n\n\n\n

Les diff\u00e9rences entre ces m\u00e9triques renforcent la coh\u00e9rence des r\u00e9sultats<\/strong>, car si l\u2019AUROC montre la relation entre le taux de vrais positifs et de faux positifs, l\u2019AUPRC refl\u00e8te la relation entre pr\u00e9cision et sensibilit\u00e9.<\/p>\n\n\n\n

Dans des \u00e9chantillons d\u00e9s\u00e9quilibr\u00e9s, la m\u00e9trique AUROC peut \u00eatre moins conservatrice avec les faux positifs, ce qui rend l\u2019information compl\u00e9mentaire de l\u2019AUPRC essentielle pour confirmer les bonnes performances de ce mod\u00e8le.<\/p>\n\n\n\n

Mod\u00e8le<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
R\u00e9gression logistique<\/td>0.936<\/td>0.880<\/td><\/tr>
Random Forest<\/td>0.950<\/td>0.889<\/td><\/tr>
Support Vector Machine<\/td>0.939<\/td>0.883<\/td><\/tr>
XGBoost<\/td>0.953<\/td>0.882<\/td><\/tr>
Deep Learning<\/td>0.971<\/td>0.933<\/td><\/tr><\/tbody><\/table>
Tableau 1. Comparaison des mod\u00e8les pour l’ensemble de donn\u00e9es comprenant 4950 sections.<\/figcaption><\/figure>\n\n\n\n
Mod\u00e8le<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
R\u00e9gression logistique<\/td>0.969<\/td>0.762<\/td><\/tr>
Random Forest<\/td>0.985<\/td>0.830<\/td><\/tr>
Support Vector Machine<\/td>0.954<\/td>0.723<\/td><\/tr>
XGBoost<\/td>0.988<\/td>0.898<\/td><\/tr>
Deep Learning<\/td>0.997<\/td>0.929<\/td><\/tr><\/tbody><\/table>
Tableau 2. Comparaison des mod\u00e8les pour l’ensemble de donn\u00e9es avec 2000 sections.<\/figcaption><\/figure>\n\n\n\n

Performance du mod\u00e8le<\/h3>\n\n\n\n

Un autre point mis en avant dans cette \u00e9tude est que la longueur des notes pourrait affecter la performance du mod\u00e8le\u202f; cependant, en conservant un contenu suffisant, il est d\u00e9montr\u00e9 que la classification par sections peut \u00eatre r\u00e9alisable.<\/p>\n\n\n\n

De plus, ce type de mod\u00e8les pourrait \u00eatre appliqu\u00e9 \u00e0 d’autres pathologies, bien qu’il soit important de consid\u00e9rer que l’identification d’informations ambigu\u00ebs ou complexes peut \u00eatre difficile.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Essayez NeuronUP 7 jours gratuitement<\/h2>\n\n\n\n

Vous pourrez travailler avec nos activit\u00e9s, concevoir des s\u00e9ances ou effectuer des r\u00e9habilitations \u00e0 distance<\/p>\n<\/div>\n\n\n\n

\n
\n
Commencez votre essai<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

O\u00f9 NeuronUP pourrait apporter sa contribution dans une \u00e9tude comme celle-ci ?<\/h2>\n\n\n\n

NeuronUP <\/a>pourrait apporter de diverses mani\u00e8res \u00e0 une \u00e9tude comme celle-ci, car elle a une large exp\u00e9rience de travail avec de grandes quantit\u00e9s de donn\u00e9es.<\/p>\n\n\n\n

Comme on le voit dans cette \u00e9tude, la gestion de grands volumes de donn\u00e9es est l’un des principaux d\u00e9fis lors du travail avec des notes cliniques. Par cons\u00e9quent, l’\u00e9quipe de NeuronUP<\/a>, qui comprend des sp\u00e9cialistes tant dans le domaine clinique que dans l’analyse de donn\u00e9es, pourrait fournir des contributions pr\u00e9cieuses dans le traitement de l’information<\/strong>, que ce soit par l’utilisation de mots-cl\u00e9s ou sans eux.<\/p>\n\n\n\n

D’autre part, cette \u00e9tude se distingue par la comparaison de cinq mod\u00e8les diff\u00e9rents, ce qui renforce la robustesse des r\u00e9sultats obtenus pour son mod\u00e8le. L’exp\u00e9rience de l’\u00e9quipe de NeuronUP pourrait \u00e9galement \u00eatre utile dans la conception d’un mod\u00e8le sp\u00e9cifique<\/strong> \u00e0 cet objectif ou dans la cr\u00e9ation de mod\u00e8les robustes pour les comparer au mod\u00e8le d\u00e9velopp\u00e9.<\/p>\n\n\n\n

Li Zhou. Professeur de m\u00e9decine \u00e0 la Harvard Medical School depuis plus de dix ans, elle est la chercheuse principale au Brigham and Women\u2019s Hospital. Elle poss\u00e8de un doctorat en informatique biom\u00e9dicale de l’Universit\u00e9 de Columbia, et sa recherche s’est concentr\u00e9e sur le traitement du langage naturel, la gestion des connaissances et le soutien \u00e0 la prise de d\u00e9cisions cliniques. De plus, elle a \u00e9t\u00e9 la chercheuse principale de nombreux projets de recherche financ\u00e9s par l’AHRQ, les NIH et CRICO\/RMF.<\/p>\n\n\n\n

Bibliographie<\/h2>\n\n\n\n