Intérêt des techniques de Marching Learning pour évaluer les filières de prise en charge des patients atteints de cancer du poumon : application à l’agressivité des soins en fin de vie

Introduction Le Machine Learning (ML) est une discipline associant statistiques et mathematiques appliquees. C’est un sous-ensemble de l’intelligence artificielle (IA), qui donne aux ordinateurs la faculte d’apprendre sans avoir ete explicitement programmes. En medecine, l’application de ces techniques en utilisant de bases de donnees, permet d’identifier des Profils-Patients (PP) se comportant de maniere homogene dans une situation donnee. Methodes Nous avons utilise le ML pour determiner des PP atteints de cancer du poumon qui auront ou non des soins agressifs en fin de vie. L’algorithme utilise pour predire le score d’agressivite est un « Enhanced Decision Tree » (Arbre de decisions renforce). A partir de donnees issues en vie reelle, l’algorithme selectionne iterativement a chaque etape la variable la plus discriminante par rapport a l’objectif etudie. Les criteres de qualite du ML s’observent avec 2 parametres : Purete : pourcentage de la classe majoritaire dans ce PP. Plus la purete est elevee, plus le resultat du PP est significatif Pour les indicateurs issus d’une regression, l’indicateur de qualite est l’erreur absolue moyenne. L’analyse, realisee a partir des donnees PMSI, porte sur 41 380 patients et inclus 134 variables : 6 variables generales (âge, sexe, …), 7 variables relatives au diagnostic, 4 variables relatives a tous les sejours, 10 comorbidites et 107 groupes de codes/actes. Resultats Les variables les plus discriminantes sont : delai diagnostic-deces (35 %), âge au diagnostic (25 %), duree du 1 er sejour (15 %), primo-diagnostic via les urgences (12 %). Ils permettent de definir des PP les plus predictifs d’avoir ou non des soins agressifs en fin de vie. Par exemple, un profil type avec une forte probabilite de non-agressivite : > 79 ans, 1 er sejour pour le cancer via les urgences (7,3 % de la cohorte, 3025 pts, purete = 72,5 %),  er sejour > 16 jours (2,1 %, 681 pts, purete = 71 %) Profil type de patients avec une forte probabilite d’avoir des criteres d’agressivites : ≤ 79 ans, duree 1 er sejour  er sejour  Conclusion L’utilisation des techniques d’« IA » sur les bases medicales ouvre des nouvelles perspectives de recherche en particulier lorsqu’on pourra realiser le chainage des differentes bases de donnees administratives et medicales.