Page 70 - Livre électronique des RFTP 2023

P34. PRÉDICTION DE LA MAUVAISE ÉVOLUTION DE
COVID-19 : INSIGHTS DÉRIVÉS DE L'APPRENTISSAGE

MACHINE

A. D. EL-EUCH1, S. TRIKI2, R. GARGOURI1, M.M. KARRAY3, N. KALLEL1, N. MOUSSA1,
S. MSAAD S1, W. FEKI 1, S. KAMMOUN1

(1) SERVICE DE PNEUMO-ALLERGOLOGIE, CHU HEDI CHAKER-SFAX (2) CENTRE DE
BIOTECHNOLOGIE - SFAX (3) SOCIETE MEDICACOM

INTRODUCTION : Les autorités sanitaires ont pris des mesures pour limiter les
conséquences négatives de la COVID-19, notamment en identifiant les facteurs de
mauvais pronostic et en ciblant les zones à risque pour éviter la surcharge des
systèmes de santé en période d'épidémie.

OBJECTIF : Développer des modèles d'apprentissage machine pour prédire
l'évolution de la COVID-19 dans une population de patients hospitalisés dans un
centre spécialisé du sud tunisien.

METHODES : Les données de 1954 patients hospitalisés entre novembre 2020 et
mai 2022 ont été collectées à travers un système d'enregistrement médical
électronique. L'apprentissage machine a été effectué par les langages R et Python.

RESULTATS : Le processus de nettoyage des données sa abouti à une population
finale de 579 individus et 59 variables. Des analyses multivariées ont été menées
en utilisant une régression logistique avec pénalisation de Firth et une régression
logistique binaire pour quatre groupes sémantiques (comorbidités, symptômes,
biomarqueurs et prise en charge). Des techniques de réduction de dimension ont
été appliquées mais n'ont pas fourni d'informations significatives. Trois algorithmes
d'apprentissage automatique : une régression Elastic Net, une classification
randomforest et une méthode des k-plus proches voisins, ont été intégrés dans le
modèle de classification, et leurs performances ont été comparées en utilisant des
courbes ROC. La durée de l'hospitalisation, la saturation en oxygène percutané, la
fréquence cardiaque, le niveau de troponine, le nombre de lymphocytes et le
niveau de prothrombine ont été identifiés comme les variables les plus
importantes pour les trois modèles.

CONCLUSION : L'étude souligne l'importance de l'intégration de l'apprentissage
machine dans les problèmes sanitaires à haut impact communautaire. Une
meilleure interprétabilité de ces modèles pourrait améliorer les décisions prises
par les autorités dans des échéances plus brèves.

68 | Pa g e