L'apprentissage automatique prévient les risques psychologiques pour la santé

L'apprentissage automatique offre de nouvelles possibilités non seulement pour le diagnostic des maladies dans la recherche en santé, mais aussi pour l'évaluation des conditions psychologiques des patients. Le modèle d'intelligence artificielle développé dans une nouvelle recherche menée en Chine a été utilisé pour déterminer le risque de troubles psychologiques chez les patients atteints de rinosinüzit chronique. Les résultats montrent que les patients de systèmes d'apprentissage automatique qui bénéficient de données cliniques courantes peuvent contribuer à leur situation physique et psychologique.

1er septembre 2026 Annales d'allergie, d'asthme et d'immunologie Publié dans la revue Recherches sur la prédiction du risque de troubles psychologiques chez les patients atteints de rinosinüzit chronique ayant un apprentissage automatiquecompare les performances de neuf algorithmes différents. CatBoost est également examiné les variables cliniques, qui sont efficaces dans les prédictions avec l'analyse SHAP tout en étant le modèle le plus réussi dans l'étude.

Sensibilité psychologique chez les patients rhinosinaux chroniques

La rhinocinucite chronique est une maladie caractérisée par une inflammation qui se poursuit au moins 12 semaines dans la cavité nasale et les sinus paranasaux. Des symptômes tels que congestion nasale, perte d'odeur, sensation de pression au visage et problèmes de sommeil peuvent nuire à la vie quotidienne et à la qualité de vie.

Les effets de la maladie ne sont pas limités seulement avec des symptômes physiques. Les symptômes persistants à long terme peuvent créer un fardeau important sur les conditions psychologiques des patients. Les chercheurs pensent que la détection précoce de la détresse psychologique associée à l'anxiété et à la dépression chez les patients atteints de rhinotinase chronique peut appuyer les évaluations cliniques.

469 Données sur les patients utilisées dans la recherche

Au total, 469 patients adultes atteints de rinosinexit chronique ont été inclus dans la recherche. Afin d'améliorer le modèle, la chirurgie endoscopique des sinus était prévue avant la chirurgie des 408 patients. Un groupe indépendant composé de 61 patients a été évalué lors de la vérification externe du modèle.

L'anxiété hospitalière et l'échelle de dépression ont été utilisées pour déterminer les troubles psychologiques. Chez 42,9 % des patients du groupe de développement, des troubles psychologiques ont été détectés chez 37,7 % des patients du groupe de vérification externe.

Ces résultats révèlent l'importance de tenir compte de l'état psychologique dans l'évaluation des patients atteints de rhinotinite chronique.

Neuf modèles d'apprentissage automatique comparés

Les chercheurs ont comparé neuf algorithmes d'apprentissage automatique différents pour prédire le risque de troubles psychologiques au moyen de données cliniques. La performance des modèles a été évaluée non seulement par le succès de la distinction, mais aussi par la contribution qu'ils peuvent apporter à l'étalonnage et au soutien de la décision clinique.

CatBoost, Random Forest, Support Vector Machine (SVM), Multilayer Perceptron (MLP), Decision Tree, LightGBM, XGBoost, AdaBoost et les algorithmes de régression logistique ont été utilisés dans l'étude. Cette approche comparant les performances de différents algorithmes sur le même problème clinique, distinction entre intelligence artificielle, apprentissage automatique et apprentissage profond Elle révèle également l'importance de la sélection des modèles.

Le modèle CatBoost, qui donne le résultat le plus réussi après le développement du modèle et les processus d'essais internes, a également été testé dans le groupe de vérification externe indépendant sans recyclage. Cette approche prend soin d'évaluer la performance prédictive sur les données du patient que le modèle ne rencontre pas auparavant.

Le modèle CatBoost montre des performances élevées

Le modèle CatBoost de neuf algorithmes a montré la performance la plus réussie. La valeur de l'ASC dans le groupe d'essai interne du modèle a été calculée comme 0,864. La fourchette de confiance de 95 pour cent pour ce résultat a été déclarée de 0,793-0 927 pour cent. La note de Brier dans la même note était de 0,146.

La valeur ASC du modèle a été mesurée à 0,792 dans le groupe de vérification externe indépendant. La marge de confiance de 95 % de cette valeur a été annoncée comme 0,653-0 913.

L'ASC est utilisée pour évaluer les performances d'un modèle qui peut distinguer différentes classes les unes des autres. L'approche de 1 indique une performance distinctive plus puissante. La note de Brier aide à évaluer l'harmonie entre les résultats que le modèle est estimé; de faibles valeurs signifient de meilleurs résultats.

Les résultats de la vérification externe montrent que le modèle CatBoost protège une certaine performance dans le groupe de patients qui n'est pas utilisé dans le processus de développement. Cependant, la largeur et le groupe de validation de l'intervalle de confiance ne comprennent que 61 patients, révèle que les résultats doivent être soutenus par des exemples plus larges.

Cinq variables de base permettant d'identifier le risque d'étanchéité psychologique

Cinq variantes cliniques fondamentales ont été déterminées que le modèle dans les prédictions de détresse psychologique dans la recherche suggère:

22 Test de résultat sino-nazal (SNOT-22) score u

Engorgement du nez

La présence de polypes nasaux

Utilisation de médicaments antihypertenseurs

La sensation de plénitude dans l'oreille

SNOT-22 est une échelle utilisée pour évaluer l'effet des patients rinosinaux chroniques sur les symptômes et la qualité de vie. L'écart entre ces variables montre que le risque de détresse psychologique ne peut être suffisant pour l'évaluation d'un seul symptôme.

L'analyse SHAP annonce les prévisions du modèle

Une des questions importantes dans l'utilisation des modèles d'apprentissage automatique dans le domaine de la santé, la compréhension des algorithmes qui sont prédits à partir de données. Les chercheurs ont utilisé la méthode SHAP (SHapley Additive exPlanations) pour répondre à ce besoin.

L'analyse SHAP aide à examiner la contribution des variables dans le modèle. Ainsi, les cliniciens peuvent évaluer quelles caractéristiques cliniques sont mises en évidence dans le calcul du risque de troubles psychologiques d'un patient. Cette approche, qui fait interpréter les décisions types, est de plus en plus importante dans le domaine de la santé. intelligence artificielle expliquée (XAI) est la base du travail.

Comment l'apprentissage automatique peut-il soutenir les décisions cliniques en santé?

L'un des résultats remarquables de la recherche a été un outil Web qui offre des prévisions de risque individualisées du modèle CatBoost développé. Le véhicule vise à évaluer le risque de détresse psychologique des patients à l'aide de variables cliniques courantes. Un nom de produit spécial pour le véhicule de la publication académique exige de ne pas être spécifié, que les chercheurs utilisent l'expression dans la description du système.

De tels systèmes peuvent aider les patients avec une évaluation psychologique à être remarqués plus tôt. Il peut soutenir le développement d'une approche clinique plus holistique pour traiter l'état psychologique avec des symptômes physiques, en particulier dans la prise en charge des maladies chroniques.

Il est important non seulement de prévoir le succès des systèmes de soutien à la décision clinique, mais aussi de comprendre le fonctionnement du modèle et de commenter les résultats de façon fiable. Dans ce processus, allant du traitement des données sur la santé à l'interprétation des résultats cliniques transparence dans le traitement du langage naturel et les modèles cliniquesIl se distingue par l'intégration fiable des systèmes d'intelligence artificielle dans les soins de santé.

Il est nécessaire d'évaluer le modèle comme un outil de diagnostic psychologique indépendant. Comme l'estimation du risque ne signifie pas un diagnostic exact, il n'y a pas d'entrevue clinique ni d'évaluation spécialisée.

Quelle est la limite de la recherche?

Bien que les résultats de l'étude soient remarquables, il y a quelques limites. Tout d'abord, des recherches ont été menées auprès de patients adultes devant subir une chirurgie endoscopique des sinus. Par conséquent, il n'est pas encore connu que le modèle effectuera la même performance chez les patients sans planification chirurgicale ou dans des groupes de patients dans différents pays.

Le groupe indépendant de vérification externe est limité à 61 patients, et il montre que de nouveaux besoins de recherche avec des exemples plus larges. De plus, la conception transversale de l'étude ne permet pas d'établir une relation causale entre les troubles psychologiques et les variables cliniques déterminées.

Qu'est-ce que la recherche sur la santé en Turquie?

La recherche offre un exemple significatif qui montre que l'apprentissage automatique des pratiques de santé ne se limite pas seulement au diagnostic de maladie ou aux processus de traitement. L'évaluation de différentes tailles, telles que la qualité de vie et les conditions psychologiques des patients ayant des données cliniques, crée de nouveaux domaines de recherche pour les systèmes de décision appuyés par l'intelligence artificielle.

Le développement de modèles similaires dans des groupes de patients en Turquie et la vérification du modèle actuel avec des données locales seront importants pour évaluer la disponibilité de cette approche dans différents systèmes de santé.

Le point que la recherche suggère est traité comme un outil qui peut le soutenir au lieu d'être une alternative à l'évaluation des cliniciens de l'apprentissage automatique. L'évaluation du risque psychologique dans les maladies affectant la qualité de vie, comme la rhinocinxite chronique, peut contribuer à la recherche en santé axée sur le patient.