Article en vedette dans Nature Scientific Reports : Dr Michaël Chassé

Article en vedette dans Nature Scientific Reports : Dr Michaël Chassé

Le PRDTC tient à féliciter le Dr Michaël Chassé et son équipe pour leur récente publication dans Nature Scientific Reports sur le dépistage automatisé des donneurs d’organes potentiels à l’aide d’un modèle d’apprentissage automatique temporel. Cette recherche novatrice pourrait avoir un impact significatif dans le domaine du don et de la transplantation d’organes. Nous sommes fiers de compter le Dr Michaël Chassé parmi les membres de notre communauté et leur sommes reconnaissants pour leurs contributions dans ce domaine.

Nous avons posé au Dr Chassé une série de questions sur l’article, que vous pouvez lire ci-dessous.

Comment le modèle d’apprentissage automatique se compare-t-il aux méthodes traditionnelles de sélection des donneurs d’organes ?

Le modèle d’apprentissage automatique a démontré des performances prometteuses, dépassant potentiellement celles d’un modèle de régression logistique plus simple. Bien qu’il ne soit pas parfait, le réseau neuronal a atteint une grande précision dans l’identification des donneurs d’organes potentiels en utilisant des données médicales collectées de manière routinière. En particulier, les performances du modèle se sont avérées robustes pour tous les sous-groupes de donneurs et sont restées stables lors d’une simulation prospective.

Comment les prestataires de soins de santé peuvent-ils intégrer efficacement le modèle d’apprentissage automatique dans leurs pratiques d’obtention d’organes ?

Cette étude montre qu’il est possible d’intégrer de tels modèles dans les systèmes de dossiers médicaux électroniques existants. En pratique, le modèle pourrait fonctionner en arrière-plan, signalant les donneurs d’organes potentiels lorsqu’ils répondent aux critères définis. Il pourrait ainsi permettre aux prestataires de soins de santé d’entamer plus tôt les discussions et les procédures relatives au don d’organes. Toutefois, l’acceptabilité, les implications éthiques et la faisabilité de telles pratiques nécessitent un examen plus approfondi.

Quelles sont les implications de l’utilisation de ce modèle d’apprentissage automatique pour les taux de transplantation d’organes et les résultats pour les patients ?

En améliorant l’identification des donneurs potentiels d’organes, le modèle pourrait potentiellement augmenter la disponibilité des organes pour la transplantation, indépendamment des pratiques de gestion des organes. Cela pourrait donc réduire les délais d’attente pour les transplantations d’organes et améliorer les résultats pour les patients. Néanmoins, il est essentiel de souligner qu’il s’agit là de résultats potentiels qui méritent d’être étudiés davantage.

Quelles sont les prochaines étapes et comment le PRDTC pourrait-il soutenir les orientations futures de ces travaux ?

Si le Programme de recherche en don et transplantation du Canada (PRDTC) estime que cette approche est intéressante, il pourrait éventuellement soutenir de futurs projets de recherche visant à valider des modèles similaires dans divers hôpitaux ou établissements de soins de santé. Il pourrait également soutenir les efforts visant à affiner le modèle pour en améliorer la précision, ou à élaborer des stratégies de mise en œuvre pour intégrer le modèle dans les systèmes de soins de santé. Il est important de noter qu’à ce stade, ces types de modèles ne sont pas prêts pour une mise en œuvre clinique. Bien que cet article fournisse des preuves préliminaires de faisabilité, une validation prospective multicentrique plus poussée est nécessaire.

Résumé (en anglais)

Organ donation is not meeting demand, and yet 30–60% of potential donors are potentially not identified. Current systems rely on manual identification and referral to an Organ Donation Organization (ODO). We hypothesized that developing an automated screening system based on machine learning could reduce the proportion of missed potentially eligible organ donors. Using routine clinical data and laboratory time-series, we retrospectively developed and tested a neural network model to automatically identify potential organ donors. We first trained a convolutive autoencoder that learned from the longitudinal changes of over 100 types of laboratory results. We then added a deep neural network classifier. This model was compared to a simpler logistic regression model. We observed an AUROC of 0.966 (CI 0.949–0.981) for the neural network and 0.940 (0.908–0.969) for the logistic regression model. At a prespecified cutoff, sensitivity and specificity were similar between both models at 84% and 93%. Accuracy of the neural network model was robust across donor subgroups and remained stable in a prospective simulation, while the logistic regression model performance declined when applied to rarer subgroups and in the prospective simulation. Our findings support using machine learning models to help with the identification of potential organ donors using routinely collected clinical and laboratory data.

Lisez l’article complet ici.