Nouvelles Du Monde

Un panel mondial d’experts identifie 5 domaines dans lesquels l’apprentissage automatique pourrait améliorer l’économie de la santé et la recherche sur les résultats

Un panel mondial d’experts identifie 5 domaines dans lesquels l’apprentissage automatique pourrait améliorer l’économie de la santé et la recherche sur les résultats

Crédit : domaine public Unsplash/CC0

Valeur en santé, le journal officiel de l’ISPOR – la société professionnelle pour l’économie de la santé et la recherche sur les résultats – a annoncé aujourd’hui la publication de nouvelles orientations pour la recherche sur l’économie et les résultats de la santé (HEOR) et les décideurs dans l’utilisation d’une classe importante de techniques d’intelligence artificielle. Le rapport, « Machine Learning Methods in Health Economics and Outcomes Research—The PALISADE Checklist: A Good Practices Report of the ISPOR Machine Learning Task Force », est publié dans le numéro de juillet 2022 de Valeur en santé.

“L’apprentissage automatique est un ajout potentiellement précieux à la boîte à outils HEOR”, ont déclaré les coprésidents du groupe de travail et les auteurs principaux William Crown, Ph.D., et William V. Padula, Ph.D. “Cela peut faciliter la recherche de relations complexes dans des ensembles de données de grande dimension, tels que ceux générés par les dossiers de santé électroniques ou les appareils de santé mobiles. Ces relations peuvent être utilisées pour améliorer la détection et la classification des maladies, pour identifier les cohortes de les patients partageant des caractéristiques qui pourraient ne pas être évidentes lorsque l’on ne considère qu’un petit ensemble de variables à l’aide de méthodes traditionnelles, et pour prévoir les trajectoires de résultats pour la santé dans le cadre d’autres options de traitement personnalisé. Dans ce rapport, le groupe de travail s’est concentré sur les applications potentielles de l’apprentissage automatique dans HEOR.”

Les auteurs ont identifié 5 domaines méthodologiques où l’apprentissage automatique pourrait améliorer HEOR :

  1. sélection de cohorte (c’est-à-dire, identification d’échantillons avec une plus grande spécificité par rapport aux critères d’inclusion)
  2. identification de prédicteurs indépendants et de covariables des résultats pour la santé
  3. analyse prédictive des résultats pour la santé, y compris ceux qui sont coûteux et/ou qui mettent la vie en danger
  4. inférence causale par le biais de méthodes, telles que l’estimation ciblée du maximum de vraisemblance ou l’estimation double/avec biais, aidant à produire plus rapidement des preuves fiables sur l’efficacité du traitement dans le monde réel
  5. application de l’apprentissage automatique au développement de modèles économiques pour réduire l’incertitude structurelle, paramétrique et d’échantillonnage dans l’analyse coût-efficacité

Examiner si l’apprentissage automatique offre une solution utile et transparente pour soins de santé analytics, le groupe de travail a également développé la liste de contrôle PALISADE. Cette liste de contrôle propose une série de considérations que les chercheurs peuvent utiliser pour déterminer si l’apprentissage automatique ajoute de la valeur aux approches traditionnelles de la recherche. Cela peut être un guide pour équilibrer les nombreuses applications potentielles de l’apprentissage automatique avec le besoin de transparence dans le développement et les résultats des méthodes.

“Notre rapport présente toutes ces considérations dans un ordre reflétant une approche standard pour effectuer HEOR : identifier une population d’étude ; classer les expositions qui peuvent modifier les résultats ; prédire l’association entre les expositions et les résultats ; évaluer les effets de causalité des interventions ; et comprendre si oui ou non les interventions ou les décisions en matière de politique de santé ajoutent de la valeur », ont déclaré Crown et Padula.

“L’intention est de présenter ces concepts à un niveau élevé et de renvoyer les lecteurs vers des sources où ils peuvent en apprendre davantage sur la théorie et les techniques qui peuvent soutenir et faire progresser le domaine HEOR. Une plus grande collaboration entre les communautés de scientifiques HEOR et d’informaticiens ayant une expertise en apprentissage automatique est encouragés à permettre plus rapidement d’apprendre les uns des autres.”

Contexte des méthodes d’apprentissage automatique ISPOR dans le groupe de travail HEOR

À mesure que la demande d’études sur l’application de l’apprentissage automatique dans les soins de santé a augmenté, le nombre de chercheurs qui mènent ces études et ceux qui utilisent les résultats de ces études a augmenté. Les chercheurs qui mènent HEOR à l’aide de méthodes d’apprentissage automatique viennent d’horizons divers et peuvent manquer de formation de base dans la théorie et les méthodes de l’informatique et de la science des données. De plus, bon nombre de ces chercheurs peuvent ne pas être conscients de la gamme de méthodes d’apprentissage automatique disponibles et des contextes dans lesquels elles devraient être utilisées de la manière la plus appropriée, reconnaissant à la fois leurs forces et leurs limites.

L’objectif global du groupe de travail est d’établir des orientations pour les bonnes pratiques émergentes dans l’application de apprentissage automatique méthodologie aux méthodes ISPOR traditionnelles, y compris l’évaluation économique, les sciences de la décision et la recherche sur les résultats afin d’améliorer la valeur de la prestation des soins de santé.


Application de l’apprentissage automatique à la science biomédicale


Plus d’information:
Méthodes d’apprentissage automatique dans l’économie de la santé et la recherche sur les résultats – La liste de contrôle PALISADE : un rapport sur les bonnes pratiques d’un groupe de travail ISPORe (2022).

Fourni par ISPOR—The Professional Society for Health Economics and Outcomes Research

Citation: Un groupe d’experts mondial identifie 5 domaines dans lesquels l’apprentissage automatique pourrait améliorer l’économie de la santé et la recherche sur les résultats (2022, 5 juillet) récupéré le 5 juillet 2022 sur https://medicalxpress.com/news/2022-07-global-expert-panel-areas- machine.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.

Facebook
Twitter
LinkedIn
Pinterest

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.

ADVERTISEMENT