Prédiction de l'admission hospitalière précoce (≤24 heures) après un AVC à l'aide de l'apprentissage automatique et profond : étude multicentrique de Chine.Prediction of Early Hospital Admission (≤24 Hours) After Stroke Using Machine Learning and Deep Learning: Multicenter Study From China.
- Le MLP a surpassé les autres modèles (régression logistique, SVM, forêt aléatoire, CNN, LSTM) avec une AUC significativement plus élevée après correction du FDR.
- La cohorte comprenait 821 patients en entraînement (2019-2022) et 506 en test temporel (2023-2025).
- Le MLP a montré une calibration favorable parmi les modèles candidats.
Étude rétrospective multicentrique avec validation temporelle indépendante, mais nécessite validation externe supplémentaire avant application clinique.
Étude rétrospective avec un biais de sélection potentiel limité aux patients avec données EMR complètes. Validation externe nécessaire avant utilisation clinique, notamment dans d'autres contextes géographiques. Le raffinement de la calibration est nécessaire pour améliorer la fiabilité des probabilités prédites. Les caractéristiques prédictives sont limitées aux variables disponibles dans les dossiers électroniques.
Cette étude rétrospective multicentrique incluant 1327 patients de 6 hôpitaux chinois a développé et validé temporellement six modèles prédictifs d'admission hospitalière précoce (≤24 h) après un AVC. Le perceptron multicouche (MLP) a montré les meilleures performances avec une AUC de 0,902, une sensibilité de 91,5 % et une spécificité de 75,6 % sur un test temporel indépendant (2023-2025). Le modèle pourrait soutenir la stratification des risques et les interventions ciblées, mais nécessite une validation externe.
Le MLP a surpassé les autres modèles (régression logistique, SVM, forêt aléatoire, CNN, LSTM) avec une AUC significativement plus élevée après correction du FDR. La cohorte comprenait 821 patients en entraînement (2019-2022) et 506 en test temporel (2023-2025). Le MLP a montré une calibration favorable parmi les modèles candidats. Neuf caractéristiques cliniques (âge, NIHSS, etc.) ont été utilisées comme prédicteurs. La robustesse temporelle a été évaluée malgré les changements de pratique clinique sur la période.
Une identification précoce des patients à risque d'admission tardive pourrait optimiser les ressources et améliorer les délais de prise en charge. L'intégration de ce modèle MLP dans les dossiers médicaux électroniques pourrait aider à la stratification du risque pour des interventions de santé publique ciblées. La performance élevée en sensibilité (91,5 %) réduit le risque de faux négatifs, crucial en phase aiguë.
Modéré