![APPROUVÉ
Cet exemple illustre le développement d'un modèle prédictif pour les événements cardiaques indésirables majeurs (ECIM) sur une période d'un an. Une entreprise de technologie de la santé vise à créer ce modèle en utilisant plus de 200 variables candidates extraites des dossiers de santé électroniques. Ces variables englobent un éventail de facteurs, notamment :
Mesures cliniques : Pression artérielle systolique et diastolique, fréquence cardiaque, indice de masse corporelle (IMC), taux de glucose sanguin et taux de cholestérol (total, lipoprotéines de haute densité [HDL], lipoprotéines de basse densité [LDL]).
Facteurs liés au mode de vie : Antécédents de tabagisme (mesurés en paquets-années), fréquence de la consommation d'alcool, niveau d'exercice et score alimentaire.
Antécédents médicaux et médicaments : Antécédents de diabète et d'hypertension, ainsi que l'utilisation de statines et d'aspirine.
Données démographiques et génétiques : Âge, sexe, antécédents familiaux d'événements cardiaques et données provenant de 50 loci génétiques candidats.
Nouveaux biomarqueurs : Dix nouveaux marqueurs d'inflammation sanguine et score calcique coronarien.
Modèle initial complexe :
Un modèle d'apprentissage automatique complexe, tel qu'une forêt aléatoire ou une machine à gradient boosting, intégrant l'ensemble des 200+ variables, pourrait potentiellement atteindre une performance prédictive élevée, par exemple, une aire sous la courbe (AUC) de 0,92.](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2F3wliN0sx0YrkBD33BdGG6t6OvJAWGKDc%2F4ed5623b-3aff-4d2b-b22f-a3a2f916f2b9%2F32321d33-6b62-4897-8388-cd2a37ffcadc.png&w=3840&q=75)
APPROUVÉ Cet exemple illustre le développement d'un modèle prédictif pour les événements cardiaques indésirables majeurs (ECIM) sur une période d'un an. Une entreprise de technologie de la santé vise à créer ce modèle en utilisant plus de 200 variables candidates extraites des dossiers de santé électroniques. Ces variables englobent un éventail de facteurs, notamment : Mesures cliniques : Pression artérielle systolique et diastolique, fréquence cardiaque, indice de masse corporelle (IMC), taux de glucose sanguin et taux de cholestérol (total, lipoprotéines de haute densité [HDL], lipoprotéines de basse densité [LDL]). Facteurs liés au mode de vie : Antécédents de tabagisme (mesurés en paquets-années), fréquence de la consommation d'alcool, niveau d'exercice et score alimentaire. Antécédents médicaux et médicaments : Antécédents de diabète et d'hypertension, ainsi que l'utilisation de statines et d'aspirine. Données démographiques et génétiques : Âge, sexe, antécédents familiaux d'événements cardiaques et données provenant de 50 loci génétiques candidats. Nouveaux biomarqueurs : Dix nouveaux marqueurs d'inflammation sanguine et score calcique coronarien. Modèle initial complexe : Un modèle d'apprentissage automatique complexe, tel qu'une forêt aléatoire ou une machine à gradient boosting, intégrant l'ensemble des 200+ variables, pourrait potentiellement atteindre une performance prédictive élevée, par exemple, une aire sous la courbe (AUC) de 0,92.

Cette étude a utilisé les données de la China Health and Ret...