Accueil > Analytics > Data Analytics > Quand le machine learning est utilisé pour traiter la dépression résistante
machine learning depression resistante

Quand le machine learning est utilisé pour traiter la dépression résistante

Le laboratoire pharmaceutique Takeda et l’institut ConvergeHEALTH de Deloitte ont utilisé le machine learning pour comprendre comment les patients atteints de dépression résistante réagissent aux médicaments.

Suivre médicalement un patient peut s’avérer compliqué surtout quand sa maladie ne touche pas directement sa santé biologique. Pour la compagnie pharmaceutique Takeda, la plus grande entreprise de ce type au Japon, et l’institut ConvergeHEALTH monté par Deloitte, le machine learning peut aider à trouver le traitement adéquat à un patient atteint de dépression résistante.

En effet, cette dénomination renvoie à de nombreuses réalités. Afin d’adapter au mieux le traitement, diagnostiquer précisément le type de dépression est essentiel. Dans un article publié par Healthcare IT News, Dan Housman, CTO de l’institut ConvergeHEALTH explique que les patients essayent de nombreux traitements avant de trouver le bon, ce qui est à la fois un défi pour eux et pour leurs psychiatres.

La dépression résistante, un cas d’étude compliqué

Les équipes de Takeda et de ConvergeHealth se sont donc penchées sur des jeux de données comprenant les réclamations d’assurance, les diagnostics, les procédures médicales et les ordonnances appartenant à des patients atteints de dépression résistante au traitement. “L’objectif était d’identifier les facteurs de données ayant le plus d’impact sur la prédiction des résultats des patients”, explique Healthcare IT News.

Les chercheurs ont réussi à mieux comprendre le parcours des patients grâce à des modèles de machine learning plus élaborés. Pour cela, la confrontation de bonnes interrogations avec ces données a permis d’améliorer l’expérience des patients dépressifs résistants aux médicaments.

Les outils conçus par Takeda et ConvergeHealth dans le cadre de ce test analysaient l’historique du patient et prédisaient les effets d’un traitement sur un patient. Les chercheurs se sont principalement penchés sur les évolutions opérées au moment d’un changement de traitement. Prédire ces évolutions permet de découvrir les types de médicaments les plus efficaces suivant l’état de dépression du patient.

Le machine learning dépassé par le deep learning

Dans cette expérience, les données sont dites structurées et non structurées. Or l’analyse de l’historique des patients demande de passer à l’étape supérieure. Pour ce faire, les chercheurs ont fait appel au deep learning qui permet de traiter plus facilement de gros volumes de données et d’analyser des éléments de langage naturel. Là encore, les modèles prédictifs ont gagné en précision. Les modèles sont passés de 55,1 % de précision avec le machine learning traditionnel, à 90,2 % grâce au deep learning.

Cette expérience a donc prouvé que les algorithmes de Deep Learning peuvent prédire le moment idéal pour changer de médicaments dans le traitement de la dépression résistante. Reste encore à affiner les résultats et rendre compréhensibles les algorithmes qui restent “opaque”.
Dan Housman explique que le test a été rendu possible grâce à une réduction des coûts d’accès au machine learning. L’équipe de ConvergeHealth a utilisé les serveurs d’Amazon Web Services équipés de GPU pour entraîner ses algorithmes. Elle a ensuite utilisé l’outil Deep Miner de Deloitte et Amazon SageMaker pour exécuter ces modèles de machine learning. Selon le CTO, cette recherche n’aurait pas été possible il y a quelques années.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Send this to a friend