![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)
Description du prompt
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.
