Germain
[ad_1]
MACHINE LEARNING POUR PRÉDIRE LES MALADIES CARDIAQUES : L’INTÉGRATION DES DÉTERMINANTS SOCIAUX DE LA SANTÉ PERMET D’AMÉLIORER LES PRÉVISIONS
Les chercheurs de la School of Global Public Health et de la Tandon School of Engineering de l’Université de New York ont mené une étude qui montre que l’incorporation des déterminants sociaux de la santé dans les modèles de machine learning améliore la prédiction des risques et des résultats pour divers groupes de patients atteints de maladies cardiovasculaires. L’étude, publiée dans l’American Journal of Preventive Medicine, a également souligné que l’intégration des données environnementales et sociales dans les algorithmes de machine learning doit être améliorée.
UNE ÉPIDÉMIE DE MALADIES CARDIOVASCULAIRES LIÉES AUX CONDITIONS SOCIALES ET ENVIRONNEMENTALES
Les maladies cardiovasculaires représentent près d’un tiers de tous les décès dans le monde et touchent de manière disproportionnée les groupes socio-économiques défavorisés. Les chercheurs affirment que les conditions sociales et environnementales influencent fortement le développement de pathologies cardiaques, comme la consommation d’aliments transformés et le manque d’exercice physique.
L’INTELLIGENCE ARTIFICIELLE POUR AMÉLIORER LA PRÉDICTION DES RISQUES
Le machine learning, un type d’intelligence artificielle utilisé pour détecter des modèles dans les données, est en train de transformer la recherche et les soins cardiovasculaires. Les modèles prédictifs permettent aux professionnels de santé d’identifier les patients à risque et de prendre des mesures préventives pour réduire le risque de pathologies cardiaques. Cependant, la plupart des modèles ne prennent pas en compte les déterminants sociaux de la santé, comme les conditions de vie et les conditions environnementales.
L’INTÉGRATION DES DÉTERMINANTS SOCIAUX DE LA SANTÉ AMÉLIORE LES PRÉVISIONS
Les chercheurs ont analysé plus de 1 600 articles scientifiques et ont déterminé que l’intégration des déterminants sociaux de la santé dans les modèles de machine learning permettait d’obtenir une meilleure prédiction des résultats cardiovasculaires, comme la réhospitalisation, l’insuffisance cardiaque et l’accident vasculaire cérébral. Les modèles qui intègrent ces données environnementales et sociales ont de meilleures performances que les autres, mais les études n’incluent souvent pas tous les facteurs du niveau communautaire qui sont importants pour prédire les risques cardiovasculaires. Seulement cinq études ont pris en compte des facteurs environnementaux tels que la disponibilité de ressources dans la communauté.
UNE OPPORTUNITÉ DE MIEUX PRENDRE EN COMPTE LES DÉTERMINANTS SOCIAUX DE LA SANTÉ
Enfin, les chercheurs ont souligné qu’il existe une opportunité plus grande et plus systématique d’intégrer les déterminants sociaux de la santé dans les modèles de machine learning grâce à la collecte de données électroniques sur les déterminants sociaux de la santé. La collecte de données sur les facteurs tels que l’emploi, l’éducation, la nourriture et le soutien social peut améliorer la performance des modèles de prévision, en particulier pour les groupes vulnérables.
En fin de compte, l’incorporation des déterminants sociaux et environnementaux dans les modèles de machine learning peut aider à identifier les disparités socio-économiques qui existent dans le développement des maladies cardiovasculaires et à déterminer les actions préventives nécessaires. En outre, cela peut également aider les professionnels de santé à identifier plus facilement les patients à risque et à les orienter vers des ressources communautaires telles que les services de logement et de nourriture.
Sources :
– L’article original publié dans l’American Journal of Preventive Medicine : https://doi.org/10.1016/j.amepre.2021.04.016
– Le site de la NYU School of Global Public Health : http://publichealth.nyu.edu/
– Le site de la NYU Tandon School of Engineering : https://www.eurekalert.org/pub_releases/2021-07/engineering.nyu.edu
[ad_2]
