  | Voici un résumé en français des travaux : L'obtention de prédictions actualisées en temps réel est un défi majeur pour la médecine personnalisée. Dans le cas des maladies rénales en phase terminale, une cause majeure de morbidité et de mortalité dans le monde, la dialyse est le traitement standard. Les néphrologues et les infirmières doivent continuellement réévaluer de multiples paramètres rafraîchis à chaque séance de dialyse et prendre en compte les changements d'état clinique dans le temps. Les modèles de prédiction dynamique fournissent des valeurs prédites de résultats qui peuvent être mises à jour au fil du temps pour un individu au fur et à mesure que de nouvelles mesures sont disponibles. Les approches antérieures de la prédiction étaient principalement basées sur des modèles paramétriques, mais la tendance actuelle est à l'utilisation d'approches d'apprentissage automatique plus flexibles. Les auteurs ont développé une nouvelle méthode d'ensemble combinant modélisation statistique et apprentissage automatique afin d'optimiser la prédiction pour les patients auxquels le clinicien est confronté. De plus leur approche permet d'utiliser à la fois l'historique médical du patient et une cohorte externe afin de personnaliser la prédiction pour le patient auquel le néphrologue fait face. Ils ont également proposé une nouvelle approche de validation de ces modèles de prédiction personnalisés.
|