Dépistage de haute performance du COVID-19 utilisant l'apprentissage machine

Résumé

Depuis que l’Organisation mondiale de la santé a déclaré la pandémie de coronavirus (COVID-19) urgence de santé publique en 2020, plusieurs stratégies ont été lancées pour prévenir l’effondrement des structures de santé. La stratégie la plus importante a été l’augmentation du dépistage, diagnostic, isolement, et recherche des contacts pour identifier, mettre en quarantaine et tester les contacts étroits. Dans ce contexte, la principale difficulté était de trouver un outil rapide, fiable et abordable pour le dépistage de la COVID-19. Le diagnostic moléculaire par "polymerase chaine reaction" (RT-PCR), bien que considéré comme le "gold-standard", était lent et ne correspond donc pas à l’objectif du dépistage rapide. En outre, les tests sérologiques visant à détecter les anticorps anti-coronavirus 2 souffraient d’une faible sensibilité. Pour relever ces défis, nous avons créé un modèle d'apprentissage machine basé sur la méthode du "gradient boosting". Nous avons inclus plusieurs caractéristiques cliniques avec la prévalence géographique quotidienne des cas COVID-19 dans le modèle. Le modèle a été entrainé sur 1554 cas (757 COVID-19) et testé sur 547 cas (169 COVID-19). Notre modèle a prédit la positivité de RT-PCR avec une précision de 97,06%. De plus, la sensibilité et la spécificité variables du modèle dépendant de la prévalence géographique de la maladie ont introduit le concept du dépistage « dynamique » . Dans le contexte des futures urgences pandémiques mondiales, nous pensons que cette méthode peut être très utile comme outil de dépistage rapide, fiable et dynamique pour les maladies contagieuses, en particulier dans les pays en développement.