Description : Dupont, T., Kentish-Barnes, N., Pochard, F. et al. Prediction of post-traumatic stress
disorder in family members of ICU patients: a machine learning approach. Intensive
Care Med 50, 114–124 (2024) Lien Texte Question évaluée : Quel est l’apport des modèles
d’apprentissage automatique pour la détection de PTSD (troubles du stress post-traumatique)
chez les proches de patients hospitalisés en réanimation ? Type d’étude : Développement
de plusieurs modèles d’apprentissage automatique à partir d’une base de données issue
d’études déjà réalisées pour la détection du PTSD. Population étudiée : Les proches
de patients hospitalisés dans un service de réanimation Méthode : Utilisation d’une
base de données intégrant 9 études cliniques (de mars 2003 à octobre 2020) issues
du groupe de travail FAMIREA. Elle comporte des données épidémiologiques, démographiques
et médicales de patients hospitalisés en réanimation ainsi que leurs proches. Ces
données ont été anonymisées et l’ensemble de ces études ont reçu, lors de leur réalisation,
une approbation par un IRB. Il est possible d’identifier, dans cette base de données,
les proches ayant présenté un PTSD à partir d’échelles spécifiques (échelles IES,
impact of event) sur une évaluation faite majoritairement au 90ème jour de la sortie
de réanimation. L’étude a été réalisée en s’appuyant sur les recommandations TRIPOD
(1) (étude établissant des recommandations sur les modalités de développement de modèles
de prédiction à des fins diagnostic ou pronostic) De façon simplifiée la base de données
a été divisée en deux parties : l’une servant à la formation des algorithmes (base
d’entrainement) et l’autre aux tests de validation (base test). Seize covariables
d’intérêt ont été sélectionnées pour former les modèles d’apprentissage automatique.
Sept modèles de classification utilisant des techniques d’apprentissage automatique
différentes ont été réalisés. La performance de chacun de ces modèles a ensuite été
testé sur la base test. Un système SHAP (2) a été utilisé pour illustrer la contribution
de chacune des variables étudiées et donne une représentation graphique de leur influence
respective.;
Pays