{"id":24116,"date":"2023-06-06T07:15:52","date_gmt":"2023-06-06T12:15:52","guid":{"rendered":"https:\/\/cdtrp.ca\/?p=24116"},"modified":"2023-06-06T07:15:52","modified_gmt":"2023-06-06T12:15:52","slug":"article-en-vedette-michael-chasse","status":"publish","type":"post","link":"https:\/\/cdtrp.ca\/fr\/article-en-vedette-michael-chasse\/","title":{"rendered":"Article en vedette dans Nature Scientific Reports : Dr Micha\u00ebl Chass\u00e9"},"content":{"rendered":"

<\/a><\/span><\/div>
<\/div>

Article en vedette dans Nature Scientific Reports : Dr Micha\u00ebl Chass\u00e9<\/strong><\/h4>\n

Le PRDTC tient \u00e0 f\u00e9liciter le Dr Micha\u00ebl Chass\u00e9<\/strong> et son \u00e9quipe pour leur r\u00e9cente publication dans Nature Scientific Reports<\/strong> sur le d\u00e9pistage automatis\u00e9 des donneurs d’organes potentiels \u00e0 l’aide d’un mod\u00e8le 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 Micha\u00ebl Chass\u00e9 parmi les membres de notre communaut\u00e9 et leur sommes reconnaissants pour leurs contributions dans ce domaine.<\/p>\n

Nous avons pos\u00e9 au Dr Chass\u00e9 une s\u00e9rie de questions sur l’article, que vous pouvez lire ci-dessous.<\/p>\n<\/div>

<\/div><\/div>
Comment le mod\u00e8le d’apprentissage automatique se compare-t-il aux m\u00e9thodes traditionnelles de s\u00e9lection des donneurs d’organes ?<\/strong><\/h6>\n
\n

Le mod\u00e8le d’apprentissage automatique a d\u00e9montr\u00e9 des performances prometteuses, d\u00e9passant potentiellement celles d’un mod\u00e8le de r\u00e9gression logistique plus simple. Bien qu’il ne soit pas parfait, le r\u00e9seau neuronal a atteint une grande pr\u00e9cision dans l’identification des donneurs d’organes potentiels en utilisant des donn\u00e9es m\u00e9dicales collect\u00e9es de mani\u00e8re routini\u00e8re. En particulier, les performances du mod\u00e8le se sont av\u00e9r\u00e9es robustes pour tous les sous-groupes de donneurs et sont rest\u00e9es stables lors d’une simulation prospective.<\/p>\n<\/blockquote>\n

Comment les prestataires de soins de sant\u00e9 peuvent-ils int\u00e9grer efficacement le mod\u00e8le d’apprentissage automatique dans leurs pratiques d’obtention d’organes ?<\/strong><\/h6>\n
\n

Cette \u00e9tude montre qu’il est possible d’int\u00e9grer de tels mod\u00e8les dans les syst\u00e8mes de dossiers m\u00e9dicaux \u00e9lectroniques existants. En pratique, le mod\u00e8le pourrait fonctionner en arri\u00e8re-plan, signalant les donneurs d’organes potentiels lorsqu’ils r\u00e9pondent aux crit\u00e8res d\u00e9finis. Il pourrait ainsi permettre aux prestataires de soins de sant\u00e9 d’entamer plus t\u00f4t les discussions et les proc\u00e9dures relatives au don d’organes. Toutefois, l’acceptabilit\u00e9, les implications \u00e9thiques et la faisabilit\u00e9 de telles pratiques n\u00e9cessitent un examen plus approfondi.<\/p>\n<\/blockquote>\n

Quelles sont les implications de l’utilisation de ce mod\u00e8le d’apprentissage automatique pour les taux de transplantation d’organes et les r\u00e9sultats pour les patients ?<\/strong><\/h6>\n
\n

En am\u00e9liorant l’identification des donneurs potentiels d’organes, le mod\u00e8le pourrait potentiellement augmenter la disponibilit\u00e9 des organes pour la transplantation, ind\u00e9pendamment des pratiques de gestion des organes. Cela pourrait donc r\u00e9duire les d\u00e9lais d’attente pour les transplantations d’organes et am\u00e9liorer les r\u00e9sultats pour les patients. N\u00e9anmoins, il est essentiel de souligner qu’il s’agit l\u00e0 de r\u00e9sultats potentiels qui m\u00e9ritent d’\u00eatre \u00e9tudi\u00e9s davantage.<\/p>\n<\/blockquote>\n

Quelles sont les prochaines \u00e9tapes et comment le PRDTC pourrait-il soutenir les orientations futures de ces travaux ?<\/h6>\n
\n

Si le Programme de recherche en don et transplantation du Canada (PRDTC) estime que cette approche est int\u00e9ressante, il pourrait \u00e9ventuellement soutenir de futurs projets de recherche visant \u00e0 valider des mod\u00e8les similaires dans divers h\u00f4pitaux ou \u00e9tablissements de soins de sant\u00e9. Il pourrait \u00e9galement soutenir les efforts visant \u00e0 affiner le mod\u00e8le pour en am\u00e9liorer la pr\u00e9cision, ou \u00e0 \u00e9laborer des strat\u00e9gies de mise en \u0153uvre pour int\u00e9grer le mod\u00e8le dans les syst\u00e8mes de soins de sant\u00e9. Il est important de noter qu’\u00e0 ce stade, ces types de mod\u00e8les ne sont pas pr\u00eats pour une mise en \u0153uvre clinique. Bien que cet article fournisse des preuves pr\u00e9liminaires de faisabilit\u00e9, une validation prospective multicentrique plus pouss\u00e9e est n\u00e9cessaire.<\/p>\n<\/blockquote>\n<\/div><\/div><\/div><\/div><\/div>

R\u00e9sum\u00e9 (en anglais)<\/strong><\/span><\/h5>\n

Organ donation is not meeting demand, and yet 30\u201360% 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\u20130.981) for the neural network and 0.940 (0.908\u20130.969) 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.<\/span><\/p>\n

Lisez l’article complet ici.<\/strong><\/a><\/p>\n<\/div><\/div><\/div><\/div><\/div>

\n
(Re)Voir le Connect\u00e9 \u00e0 la recherche du PRDTC<\/strong><\/h5>\n
\n

Le 4 avril dernier, nous avons eu le plaisir d\u2019accueillir le\u00a0Dr Micha\u00ebl Chass\u00e9<\/strong>\u00a0et Dr<\/strong>\u00a0Nicolas Sauthier,<\/strong>\u00a0r\u00e9sident en anesth\u00e9siologie et \u00e9tudiant \u00e0 la ma\u00eetrise en sciences biom\u00e9dicales \u00e0 l\u2019Universit\u00e9 de Montr\u00e9al, pour une pr\u00e9sentation intitul\u00e9e :\u00a0The challenge of missed organ donors: Can machine learning be used for early identification of potential donors?<\/em>\u00a0dans le cadre du th\u00e8me 1 du PRDTC \u2013 Am\u00e9liorer la culture du don.<\/p>\n<\/div>\n<\/div>\n<\/div>

<\/div>