S'abonner

Machine Learning pour repérer l’inactivité excessive non évidente à partir de la consultation digitale Colibri-BPCO - 10/01/21

Doi : 10.1016/j.rmra.2020.11.007 
B. Aguilaniu 1, , D. Hess 2, E. Kelkel 3, A. Briault 4, M. Destors 4, J. Boutros 5, P. Zhi Li 6, A. Antoniadis 1
1 Université Grenoble Alpes, Grenoble, France 
2 ACCPP, Grenoble, France 
3 CH Metropole Savoie, Chambéry, France 
4 CHU Grenoble Alpes, La Tronche, France 
5 CHU, Nice, France 
6 McGill University, Montreal, Canada 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Introduction

L’interrogatoire aidé par des questionnaires spécifique (QV-Dyspnée) permet de distinguer assez facilement les patients BPCO excessivement inactifs (EI) de ceux qui maintiennent une activité physique suffisante. Entre ces deux situations le doute subsiste ou n’est pas évoqué, alors que les études s’accordent pour détecter, grâce aux mesures d’accéléromètrie, plus de 40 % de patients inactifs dans cette sous population indépendamment de la sévérité de l’obstruction bronchique. Partant de l’hypothèse que l’EI pouvait impacter, comme cause ou conséquence, de multiples variables recueillies en consultation de routine, nous avons vérifié si le comportement EI pouvait être prédit individuellement à partir de ces variables excluant de fait toutes les mesures d’exercice réalisées au-delà du temps de la consultation.

Méthodes

À partir de 5035 consultations Colibri-BPCO, nous avons sélectionné 1409 dossiers ayant des informations complètes sur 22 variables d’intérêt. Nous avons déterminé sur une base clinique un groupe de 172 patients dénomé SBPI associant un comportement sédentaire (SB) et physiquement inactif (PI) et un autre de 660 patients qui ne l’était pas (non-SBPI). Sur les 832 patients SBPI et non SBPI, les données de 80 % (n=666) ont été utilisées pour mettre au point un algorithme d’apprentissage automatique pour prédire le statut SBPI, et les données des 20 % (n=166) restants ont été utilisées pour tester sa fiabilité, (c’est dire l’erreur de prédiction). L’algorithme a ensuite été appliqué pour prédire le statut SBPI des 577 patients « intermédiaires » (1409–[172+660]).

Résultats

L’erreur globale de l’algorithme de prédiction du statut SBPI était de 13,7 %, avec une aire sous la courbe ROC de 0,84 (intervalles de confiance de 95 %: 0.75–0.92). Sur les 577 patients de la catégorie intermédiaire, 306 (53 %) ont été classés comme SBPI par l’algorithme, ce qui suggère que les patients et/ou les médecins ont subjectivement a surestimé les véritables niveaux d’AP des patients.

Conclusion

Cette étude démontre la fiabilité et l’utilité potentielle d’un algorithme prédictif pour identifier à partir d’une consultation de routine, sans aucune mesure d’activité ou de capacité physique, si un patient présente une inactivité morbide nécessitant une intervention prioritaire.

Le texte complet de cet article est disponible en PDF.

Plan


© 2020  Publié par Elsevier Masson SAS.
Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 13 - N° 1

P. 6 - janvier 2021 Retour au numéro
Article précédent Article précédent
  • 50 % du bénéfice physiologique de la réhabilitation est atteint dès la 6e séance
  • B. Aguilaniu, J. Levesque, F. Herengt, C. Brosson, J.M. Grosbois, A. Bernady, A. Bender, P. Surpas, A. Guerder, P. Zhi Li, A. Antoniadis, T. Similowski
| Article suivant Article suivant
  • Le dosage des micro-ARNs plasmatiques pour améliorer le diagnostic des nodules pulmonaires
  • L. Morellec, A. Pradines, E. Huchot, V. Lauwers-Cances, S. Gouin, J. Mazieres