EP3827434A1 - Method for the prediction of biological test results - Google Patents

Method for the prediction of biological test results

Info

Publication number
EP3827434A1
EP3827434A1 EP19761919.0A EP19761919A EP3827434A1 EP 3827434 A1 EP3827434 A1 EP 3827434A1 EP 19761919 A EP19761919 A EP 19761919A EP 3827434 A1 EP3827434 A1 EP 3827434A1
Authority
EP
European Patent Office
Prior art keywords
biological
level
patient
neural network
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP19761919.0A
Other languages
German (de)
French (fr)
Inventor
Jérôme ALLYN
Cyril FERDYNUS
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre Hospitalier Universitaire de la Reunion
Original Assignee
Centre Hospitalier Universitaire de la Reunion
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre Hospitalier Universitaire de la Reunion filed Critical Centre Hospitalier Universitaire de la Reunion
Publication of EP3827434A1 publication Critical patent/EP3827434A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/30—Unsupervised data analysis

Definitions

  • the present invention relates to the field of biological analyzes in resuscitation consisting in measuring the quantities of the constituents of biological liquids (blood, urine, etc.) to provide a health professional with information on the one hand to aid in the diagnosis and monitoring of many diseases, and on the other hand to allow the management of diseases.
  • the management of patients in the intensive care unit requires repeated blood tests once or several times daily. These assessments have been shown to cause blood spoliations which contribute to the occurrence of anemia in intensive care. This anemia may require blood transfusions, which poses individual problems (consequences of blood transfusion) and collective problems (resource in blood products). In addition, these repeated biological assessments are expensive.
  • the plasma ionogram, blood count, prothrombin time measurement (PT) are the most often performed biological examinations. They are generally performed several times a day in a patient hospitalized in intensive care.
  • the invention relates more particularly to the use of artificial intelligence to predict the value of certain biological parameters and thus to reduce the number of blood samples.
  • test output in response to receipt of the test output from the trained machine learning software, post-processing the test output to determine if the knowledge discovered from the preprocessed test data set is desirable.
  • the aforementioned solution is suitable for highlighting abnormal physiological states.
  • each training data point comprises a vector having one or more coordinates.
  • Preprocessing the training data set may include identifying missing or erroneous data points and taking appropriate action to correct the faulty data or, if applicable, delete the observation or the whole field from the scope of the problem.
  • This solution does not make it possible to predict the “raw” data of a blood test from previous data, then allowing a healthcare professional to draw lessons based on his experience, to possibly decide to have a real sample taken to supplement the predicted data.
  • the present invention relates to a method for predicting biological balance sheets of a patient, characterized in that it comprises:
  • a learning database consisting in recording a plurality of results of biological assessments B ⁇ carried out on a plurality of resuscitation patients, in the form of a table T comprising a plurality of entries [ VS, VA, VBl-7 ⁇ ] where:
  • VA designates a second variable corresponding to the age of the sample
  • variable K designates the result of the biological assessment i for the variable K.
  • the variable K can be: the potassium level (serum potassium), the sodium level (natremia), the chlorine level (chloremia), the creatinine level ( creatinine), the urea level (uremia), the number of red blood cells, the number of leukocytes, the number of platelets and the protein level (protidemia).
  • VBKj being the prediction of the result of the biological balance sheet j for the variable K
  • ICKj being the confidence index of VBKj.
  • Said neural networks form an antagonistic generative neural network.
  • VA, VBK ⁇ ] as well as the value sequences [VBK j ] are time-stamped.
  • FIG. 3 represents a timing diagram corresponding to the process illustrated in FIG. 2.
  • GANs Geneative Adversarial Networks
  • the antagonistic neural networks belong to the class of unsupervised algorithms, and are very efficient when the data to be exploited are important.
  • the invention relates to the implementation of these algorithms for predicting the results of a certain proportion of biological examinations in resuscitation patients, as a function of the results of previous biological examinations of the patient. patient, patient's sex, patient's age and learning about the usual evolution of biological examinations as a function of time.
  • the invention comprises several stages:
  • GRU Gated Recurrent Unit
  • This algorithm takes as input nine biological values on admission (Potassium, Sodium, Chlorine, Creatinine, Urea, Red blood cells, Leukocytes, Platelets and Protidemia), as well as the patient's sex and age.
  • the technique consists in opposing a fictitious data generator and a discriminator which establishes whether the data is real or fictitious. The generator and the discriminator train each other until the generator generates data that the discriminator can no longer identify as being real or simulated.
  • Each biological balance simulation is associated with a confidence indicator for each biological value.
  • the algorithm aims to predict the following biological balance and to classify each predicted value as "normal”, “low” or “high”, according to laboratory standards.
  • Figure 1 shows a schematic view of
  • the input data are recorded in databases (1, 2), in the form of digital sequences obtained from blood samples and the results of their biological analyzes, from a large number of intensive care patients. This is for example historical data from a biological laboratory.
  • a sequence is determined comprising the patient's age, patient's sex, date and time of the sample, an anonymized patient identifier and the biological values obtained by analysis of the sample, in the form of a value. numeric corresponding for example to the rate or the count of the biological parameters analyzed.
  • the healthcare professional has some analyzes (8) carried out on samples from a patient. These analyzes are carried out on samples at different time-stamped times, and may relate only to part of the biological parameters. To establish new analyzes at a later time, these data (8) are injected into the model (7) which delivers information in the form of estimated values (9) of the biological parameters, each associated with a confidence indicator.
  • the healthcare professional can thus assess the situation based on these estimated values (9), and only take a new blood sample if the level of confidence associated with a sensitive biological parameter for his decision is insufficient.
  • FIG. 2 illustrates the process of constitution of the data from samples B x carried out on patients P y , resulting in the recording of an incomplete digital table (10) of measured values. Processing determines the missing data (11) requiring processing to estimate the values from the data recorded for a cohort of patients P ⁇ . The next step consists in calculating the missing data by a neuron network (12) generating estimated data validated by a discriminator (13).
  • the result is a complete table (14) providing a set of data, without the need for additional sampling.
  • FIG. 3 illustrates the timing diagram of the samples, and the fact (lower arrow) that the invention makes it possible to provide all the elements necessary for medical practice by restricting the number of samples from a patient in intensive care.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioethics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The invention relates to a method for predicting biological test results for a patient being resuscitated. Said method involves a) a step of forming a training database, b) a step of training a neural network with said table T), and c) steps of determining predicted test results for a patient P.

Description

PROCEDE DE PREDICTION D'UN BILAN BIOLOGIQUE  METHOD FOR PREDICTING A BIOLOGICAL BALANCE
Domaine de 1 ' invention Field of the invention
La présente invention concerne le domaine des analyses biologiques en réanimation consistant à mesurer les quantités des constituants des liquides biologiques (sang, urine, etc.) pour fournir à un professionnel de santé des informations d'une part pour aider au diagnostic et au suivi de nombreuses maladies, et d'autre part pour permettre la prise en charge des maladies. The present invention relates to the field of biological analyzes in resuscitation consisting in measuring the quantities of the constituents of biological liquids (blood, urine, etc.) to provide a health professional with information on the one hand to aid in the diagnosis and monitoring of many diseases, and on the other hand to allow the management of diseases.
La prise en charge des patients en service de réanimation, nécessite des bilans biologiques sanguins répétés une ou plusieurs fois quotidiennement. Il a été démontré que ces bilans entraînent des spoliations sanguines qui contribuent à la survenue de l'anémie en réanimation. Cette anémie peut nécessiter des transfusions globulaires, ce qui pose des problèmes individuels (conséquences de la transfusion globulaire) et collectifs (ressource en produits sanguins). Par ailleurs, ces bilans biologiques répétés sont coûteux. L'ionogramme plasmatique, la numération sanguine, la mesure du temps de prothrombine (TP) sont les examens biologiques les plus souvent pratiqués. Ils sont, en général, réalisés plusieurs fois par jour chez un patient hospitalisé en réanimation.  The management of patients in the intensive care unit requires repeated blood tests once or several times daily. These assessments have been shown to cause blood spoliations which contribute to the occurrence of anemia in intensive care. This anemia may require blood transfusions, which poses individual problems (consequences of blood transfusion) and collective problems (resource in blood products). In addition, these repeated biological assessments are expensive. The plasma ionogram, blood count, prothrombin time measurement (PT) are the most often performed biological examinations. They are generally performed several times a day in a patient hospitalized in intensive care.
L'invention concerne plus particulièrement l'utilisation de l'intelligence artificielle pour prédire la valeur de certains paramètres biologiques et ainsi de réduire le nombre de prélèvements sanguins.  The invention relates more particularly to the use of artificial intelligence to predict the value of certain biological parameters and thus to reduce the number of blood samples.
Etat de la technique State of the art
On connaît dans l'état de la technique le brevet américain US6789069 décrivant un procédé d'apprentissage (machine à support de vecteur) pour détecter des profils biologiques concernant les gènes, les protéines, les lipides afin de mettre en évidence des états physiologiques anormaux, et de développer de nouveaux agents thérapeutiques. Ce procédé comprend les étapes suivantes : The US patent US 6789069 describing a learning process (vector support machine) for detecting biological profiles concerning genes, proteins, lipids is known in the state of the art in order to highlight abnormal physiological states, and to develop new therapeutic agents. This process includes the following steps:
a) prétraiter un ensemble de données d'apprentissage dérivées de données biologiques pour développer chacun d'une pluralité de points de données d'apprentissage;  a) preprocessing a set of training data derived from biological data to develop each of a plurality of training data points;
b) former le logiciel d'apprentissage machine en utilisant l'ensemble de données d'entraînement prétraité;  b) train machine learning software using the preprocessed training data set;
c) prétraiter un ensemble de données de test dérivées de données biologiques pour développer chacun d'une pluralité de points de données de test;  c) preprocessing a set of test data derived from biological data to develop each of a plurality of test data points;
d) tester le logiciel d'apprentissage machine entraîné en utilisant l'ensemble de données de test prétraité pour générer une sortie de test;  d) testing the trained machine learning software using the preprocessed test data set to generate test output;
e) et en réponse à la réception de la sortie de test du logiciel d'apprentissage machine entraîné, post-traitement de la sortie de test pour déterminer si la connaissance découverte à partir de l'ensemble de données de test prétraité est souhaitable .  e) and in response to receipt of the test output from the trained machine learning software, post-processing the test output to determine if the knowledge discovered from the preprocessed test data set is desirable.
Inconvénient de l'art antérieur Disadvantage of the prior art
La solution susvisée est adaptée pour mettre en évidence des états physiologiques anormaux. Une fois que les connaissances découvertes à partir des données sont déterminées, les relations spécifiques découvertes sont utilisées pour diagnostiquer et pronostiquer des maladies, et des méthodes de détection et de traitement de ces maladies sont appliquées au système biologique. The aforementioned solution is suitable for highlighting abnormal physiological states. Once the knowledge discovered from the data is determined, the specific relationships discovered are used to diagnose and predict disease, and methods of detecting and treating it are applied to the biological system.
Le brevet de l'art antérieur expose que chaque point de données d'apprentissage comprend un vecteur ayant une ou plusieurs coordonnées. Le prétraitement de l'ensemble de données d'apprentissage peut comprendre l'identification de points de données manquants ou erronés et la prise de mesures appropriées pour corriger les données défectueuses ou, le cas échéant, supprimer 1 ' observation ou 1 ' ensemble du champ de 1 ' étendue du problème . The prior art patent states that each training data point comprises a vector having one or more coordinates. Preprocessing the training data set may include identifying missing or erroneous data points and taking appropriate action to correct the faulty data or, if applicable, delete the observation or the whole field from the scope of the problem.
Cette solution ne permet pas de prédire les données « brutes » d'un bilan sanguin à partir de données antérieures, permettant ensuite à un professionnel de santé de tirer des enseignements en fonction de son expérience, pour décider éventuellement de faire procéder à un prélèvement réel pour compléter les données prédites .  This solution does not make it possible to predict the “raw” data of a blood test from previous data, then allowing a healthcare professional to draw lessons based on his experience, to possibly decide to have a real sample taken to supplement the predicted data.
Solution apportée par l'invention Solution provided by the invention
Afin de remédier à cet inconvénient, la présente invention concerne un procédé de prédiction de bilans biologiques d'un patient caractérisé en ce qu'il comporte : In order to remedy this drawback, the present invention relates to a method for predicting biological balance sheets of a patient, characterized in that it comprises:
a) une étape de constitution d'une base de données d'apprentissage consistant à enregistrer une pluralité de résultats de bilans biologiques B± réalisés sur une pluralité de patients de réanimation, sous forme d'une table T comportant une pluralité d'entrées [VS, VA, VBl-7±] où : a) a step of constituting a learning database consisting in recording a plurality of results of biological assessments B ± carried out on a plurality of resuscitation patients, in the form of a table T comprising a plurality of entries [ VS, VA, VBl-7 ± ] where:
• VS désigne une première variable correspondant au sexe du prélevé, • VS designates a first variable corresponding to the sex of the sample,
• VA désigne une deuxième variable correspondant à l'âge du prélevé et  • VA designates a second variable corresponding to the age of the sample and
• VBK± désigne le résultat du bilan biologique i pour la variable K. La variable K pouvant être : le taux de potassium (kaliémie), le taux de sodium (natrémie), le taux de chlore (chlorémie), le taux de créatinine (créatininémie), le taux d'urée (urémie), le nombre d'hématies, le nombre de leucocytes, le nombre de plaquettes et le taux de protéines (protidémie ) . b) une étape d'entrainement d'un ensemble de réseaux de neurones avec ladite table T • VBK ± designates the result of the biological assessment i for the variable K. The variable K can be: the potassium level (serum potassium), the sodium level (natremia), the chlorine level (chloremia), the creatinine level ( creatinine), the urea level (uremia), the number of red blood cells, the number of leukocytes, the number of platelets and the protein level (protidemia). b) a step of training a set of neural networks with said table T
c) des étapes de détermination d'un bilan prédit, pour un nouveau patient P, sous la forme d'une séquence [VBKj, ICKj ] par le traitement par lesdits réseaux de neurones entraînés. VBKj étant la prédiction du résultat du bilan biologique j pour la variable K et ICKj étant l'indice de confiance de VBKj . c) steps for determining a predicted assessment, for a new patient P, in the form of a sequence [VBK j , ICK j ] by processing by said trained neural networks. VBKj being the prediction of the result of the biological balance sheet j for the variable K and ICKj being the confidence index of VBKj.
Lesdits réseaux de neurones forment un réseau neuronal génératif antagoniste.  Said neural networks form an antagonistic generative neural network.
De préférence, lesdites séquences de valeurs [VS, Preferably, said sequences of values [VS,
VA, VBK±] ainsi que les séquences de valeurs [VBKj] sont horodatées . VA, VBK ± ] as well as the value sequences [VBK j ] are time-stamped.
Description détaillée d'un exemple non limitatif de Detailed description of a nonlimiting example of
1 ' invention  The invention
La présente invention sera mieux comprise à la lecture de la description détaillée d'un exemple non limitatif de l'invention qui suit, se référant aux dessins annexés où : The present invention will be better understood on reading the detailed description of a nonlimiting example of the invention which follows, referring to the accompanying drawings in which:
- la figure 1 représente une vue schématique de - Figure 1 shows a schematic view of
1 ' invention The invention
- la figure 2 représente une vue schématique du processus de prédiction du bilan  - Figure 2 shows a schematic view of the balance sheet prediction process
la figure 3 représente un chronogramme correspondant au processus illustré par la figure 2.  FIG. 3 represents a timing diagram corresponding to the process illustrated in FIG. 2.
Contexte général de l'invention General context of the invention
L'intelligence artificielle a déjà démontré son utilité et sa performance pour créer des modèles de prédictions dans différents domaines. Parmi celles-ci, les réseaux neuronaux génératifs antagonistes (en anglais « Generative Adversarial Networks » (GANs)) ont été développés récemment. Artificial intelligence has already demonstrated its usefulness and its performance in creating models of predictions in different fields. Among these, generative adversarial neural networks (in English "Generative Adversarial Networks" (GANs)) have been recently developed.
Les réseaux neuronaux antagonistes appartiennent à la classe des algorithmes non supervisés, et sont très performants dès lors que les données à exploiter sont importantes. L'invention porte sur la mise en œuvre de ces algorithmes pour prédire les résultats d'une certaine proportion des examens biologiques chez les patients de réanimation, en fonction des résultats des examens biologiques antérieurs du patient, du sexe du patient, de l'âge du patient et d'un apprentissage de l'évolution habituelle des examens biologiques en fonction du temps. The antagonistic neural networks belong to the class of unsupervised algorithms, and are very efficient when the data to be exploited are important. The invention relates to the implementation of these algorithms for predicting the results of a certain proportion of biological examinations in resuscitation patients, as a function of the results of previous biological examinations of the patient. patient, patient's sex, patient's age and learning about the usual evolution of biological examinations as a function of time.
L'invention comporte plusieurs étapes :  The invention comprises several stages:
la création d'une base de données, à partir des examens biologiques sur une cohorte de patients de réanimation, les résultats des bilans étant enregistrés sous forme de valeurs des paramètres biologiques analysés associées au sexe et à l'âge du patient.  the creation of a database, based on biological examinations on a cohort of resuscitation patients, the results of the assessments being recorded in the form of values of the analyzed biological parameters associated with the patient's sex and age.
l'entraînement d'un algorithme GAN utilisant un Réseau Neuronal de type « Gated Récurrent Unit (GRU) ». Cet algorithme prend en entrée neufs valeurs biologiques à l'admission (Potassium, Sodium, Chlore, Créatinine, Urée, Hématies, Leucocytes, Plaquettes et Protidémie), ainsi que le sexe et l'âge du patient. La technique consiste à opposer un générateur de données fictives et un discriminateur qui établit si la donnée est réelle ou fictive. Le générateur et le discriminateur s'entraînent mutuellement jusqu'à ce que le générateur génère des données que le discriminateur ne peut plus identifier comme étant réelles ou simulées.  training of a GAN algorithm using a Neural Network of the “Gated Recurrent Unit (GRU)” type. This algorithm takes as input nine biological values on admission (Potassium, Sodium, Chlorine, Creatinine, Urea, Red blood cells, Leukocytes, Platelets and Protidemia), as well as the patient's sex and age. The technique consists in opposing a fictitious data generator and a discriminator which establishes whether the data is real or fictitious. The generator and the discriminator train each other until the generator generates data that the discriminator can no longer identify as being real or simulated.
la détermination pour un patient d'un bilan biologique virtuel à partir des valeurs biologiques horodatées de bilans antérieurs consécutifs réalisés à partir de prélèvements sanguins effectifs et traités par le réseau neuronal. Chaque simulation de bilan biologique est associée à un indicateur de confiance pour chaque valeur biologique.  the determination for a patient of a virtual biological assessment on the basis of the time-stamped biological values of consecutive previous assessments carried out on the basis of actual blood samples and processed by the neural network. Each biological balance simulation is associated with a confidence indicator for each biological value.
A partir de ces données d'entrée, l'algorithme a pour but de prédire le bilan biologique suivant et de classer chaque valeur prédite en « normal » , « bas » ou « élevé » , selon les normes des laboratoires.  From this input data, the algorithm aims to predict the following biological balance and to classify each predicted value as "normal", "low" or "high", according to laboratory standards.
La figure 1 représente une vue schématique de Figure 1 shows a schematic view of
1 ' invention . 1 invention.
Les données d'entrées sont enregistrées dans des bases de données (1, 2), sous forme de séquences numériques obtenues à partir de prélèvements sanguins et des résultats de leurs analyses biologiques, à partir d'un grand nombre de patients de réanimation. Il s'agit par exemple des données historiques d'un laboratoire biologique. The input data are recorded in databases (1, 2), in the form of digital sequences obtained from blood samples and the results of their biological analyzes, from a large number of intensive care patients. This is for example historical data from a biological laboratory.
Pour chaque prélèvement, on détermine une séquence comprenant l'âge du patient, le sexe du patient, la date et l'heure du prélèvement, un identifiant anonymisé du patient et les valeurs biologiques obtenues par l'analyse du prélèvement, sous forme de valeur numérique correspondant par exemple au taux ou à la numération des paramètres biologiques analysés.  For each sample, a sequence is determined comprising the patient's age, patient's sex, date and time of the sample, an anonymized patient identifier and the biological values obtained by analysis of the sample, in the form of a value. numeric corresponding for example to the rate or the count of the biological parameters analyzed.
Ces données sont injectées dans la couche d'entrée (4) d'un réseau de neurones (3), et traitées par les couches intermédiaires (5) et la couche de sortie (6), pour fournir un modèle prédictif (7).  These data are injected into the input layer (4) of a neural network (3), and processed by the intermediate layers (5) and the output layer (6), to provide a predictive model (7).
En mode d'utilisation, le professionnel de santé dispose de quelques analyses (8) réalisées sur des prélèvements sur un patient. Ces analyses sont effectuées sur des prélèvements à des instants différents horodatés, et peuvent ne porter que sur une partie des paramètres biologiques. Pour établir de nouvelles analyses à un moment ultérieur, ces données (8) sont injectées dans le modèle (7) qui délivre une information sous forme de valeurs estimées (9) des paramètres biologiques, associées chacune à un indicateur de confiance.  In mode of use, the healthcare professional has some analyzes (8) carried out on samples from a patient. These analyzes are carried out on samples at different time-stamped times, and may relate only to part of the biological parameters. To establish new analyzes at a later time, these data (8) are injected into the model (7) which delivers information in the form of estimated values (9) of the biological parameters, each associated with a confidence indicator.
Le professionnel de santé peut ainsi procéder à une évaluation de la situation en fonction de ces valeurs estimées (9), et ne procéder à un nouveau prélèvement sanguin que dans le cas où le degré de confiance associé à un paramètre biologique sensible pour sa décision est insuffisant.  The healthcare professional can thus assess the situation based on these estimated values (9), and only take a new blood sample if the level of confidence associated with a sensitive biological parameter for his decision is insufficient.
La figure 2 illustre le processus de constitution des données à partir de prélèvements Bx pratiqués sur des patients Py se traduisant par l'enregistrement d'une table numérique (10) de valeurs mesurées incomplète. Un traitement détermine les données manquantes (11) nécessitant un traitement pour estimer les valeurs à partir des données enregistrées pour une cohorte de patients P±. L'étape suivante consiste à calculer les données manquantes par un réseau de neurone (12) générant des données estimées validées par un discriminateur (13). FIG. 2 illustrates the process of constitution of the data from samples B x carried out on patients P y , resulting in the recording of an incomplete digital table (10) of measured values. Processing determines the missing data (11) requiring processing to estimate the values from the data recorded for a cohort of patients P ± . The next step consists in calculating the missing data by a neuron network (12) generating estimated data validated by a discriminator (13).
Le résultat est un tableau complet (14) fournissant un ensemble de données, sans nécessiter de pratiquer des prélèvements additionnels.  The result is a complete table (14) providing a set of data, without the need for additional sampling.
La figure 3 illustre le chronogramme des prélèvements, et le fait (flèche inférieure) que l'invention permet de fournir tous les éléments nécessaires à la pratique médicale en restreignant le nombre de prélèvements sur un patient en réanimation.  FIG. 3 illustrates the timing diagram of the samples, and the fact (lower arrow) that the invention makes it possible to provide all the elements necessary for medical practice by restricting the number of samples from a patient in intensive care.

Claims

Revendications claims
1 - Procédé de prédiction d'un bilan biologique d'un patient de réanimation caractérisé en ce qu'il comporte 1 - Method for predicting a biological assessment of a resuscitation patient, characterized in that it comprises
a) une étape de constitution d'une base de données d'apprentissage consistant à enregistrer une pluralité de résultats de bilans biologiques B± réalisés sur une pluralité de patients de réanimation, sous forme d'une table T comportant une pluralité d'entrées [VS, VA, VBl-7±] où : a) a step of constituting a learning database consisting in recording a plurality of results of biological assessments B ± carried out on a plurality of resuscitation patients, in the form of a table T comprising a plurality of entries [ VS, VA, VBl-7 ± ] where:
• VS désigne une première variable correspondant au sexe du prélevé, • VS designates a first variable corresponding to the sex of the sample,
• VA désigne une deuxième variable correspondant à l'âge du prélevé et  • VA designates a second variable corresponding to the age of the sample and
• VBK± désigne le résultat du bilan biologique i pour la variable K, la variable K pouvant être : le taux de potassium (kaliémie), le taux de sodium (natrémie), le taux de chlore (chlorémie), le taux de créatinine (créatininémie), le taux d'urée (urémie), le nombre d'hématies, le nombre de leucocytes, le nombre de plaquettes et le taux de protéines (protidémie ) . b) une étape d'entrainement d'un réseau de neurones avec ladite table T. • VBK ± designates the result of the biological assessment i for the variable K, the variable K possibly being: the potassium level (kalemia), the sodium level (natremia), the chlorine level (chloremia), the creatinine level ( creatinine), the urea level (uremia), the number of red blood cells, the number of leukocytes, the number of platelets and the protein level (protidemia). b) a step of training a neural network with said table T.
c) des étapes de détermination d'un bilan prédit, pour un patient P, sous la forme d'une séquence [VBKj, ICKj] par le traitement par ledit réseau de neurones entraîné, VBKj étant la prédiction du résultat du bilan biologique j pour la variable K et ICKj étant l'indice de confiance de VBKj. c) steps of determining a predicted assessment, for a patient P, in the form of a sequence [VBK j , ICK j ] by the processing by said trained neural network, VBKj being the prediction of the result of the biological assessment j for the variable K and ICKj being the confidence index of VBKj.
2 - Procédé d'établissement d'un bilan biologique d'un patient selon la revendication 1 caractérisé en ce que ledit réseau de neurones est un réseau neuronal antagoniste génératif. 3 - Procédé d'établissement d'un bilan biologique d'un patient selon la revendication 1 caractérisé en ce que lesdites séquences de valeurs [VBKj ] sont horodatées. 2 - Method for establishing a biological balance sheet of a patient according to claim 1 characterized in that said neural network is a generative antagonistic neural network. 3 - Method for establishing a biological balance of a patient according to claim 1 characterized in that said sequences of values [VBK j ] are time stamped.
EP19761919.0A 2018-07-25 2019-07-25 Method for the prediction of biological test results Pending EP3827434A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1856892A FR3084508B1 (en) 2018-07-25 2018-07-25 METHOD FOR PREDICTING A BIOLOGICAL ASSESSMENT
PCT/FR2019/051845 WO2020021206A1 (en) 2018-07-25 2019-07-25 Method for the prediction of biological test results

Publications (1)

Publication Number Publication Date
EP3827434A1 true EP3827434A1 (en) 2021-06-02

Family

ID=65763511

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19761919.0A Pending EP3827434A1 (en) 2018-07-25 2019-07-25 Method for the prediction of biological test results

Country Status (3)

Country Link
EP (1) EP3827434A1 (en)
FR (1) FR3084508B1 (en)
WO (1) WO2020021206A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232549A (en) * 2020-09-21 2021-01-15 中国农业科学院农业信息研究所 Intelligent agricultural product data prediction method and system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6789069B1 (en) 1998-05-01 2004-09-07 Biowulf Technologies Llc Method for enhancing knowledge discovered from biological data using a learning machine

Also Published As

Publication number Publication date
FR3084508A1 (en) 2020-01-31
FR3084508B1 (en) 2023-04-14
WO2020021206A1 (en) 2020-01-30

Similar Documents

Publication Publication Date Title
JP6931897B2 (en) A method for generating a prediction result for predicting the occurrence of a fatal symptom of a subject at an early stage, and a device using the prediction result.
WO2017041651A1 (en) User data classification method and device
CN113053535B (en) Medical information prediction system and medical information prediction method
JP2023016928A (en) Automated verification of medical data
US10327709B2 (en) System and methods to predict serum lactate level
CN112786203A (en) Machine learning diabetic retinopathy morbidity risk prediction method and application
CN114360728A (en) Prediction model for mild cognitive dysfunction of diabetes and construction method of nomogram
Reddy et al. A Comprehensive analysis of machine learning techniques for incessant prediction of Diabetes mellitus
Nimmagadda et al. Kidney failure detection and predictive analytics for CKD using machine learning procedures
WO2020021206A1 (en) Method for the prediction of biological test results
Shapiro Guidelines for developing and testing clinical decision rules
Jones et al. A framework for the joint modeling of longitudinal diagnostic outcome data and latent infection status: Application to investigating the temporal relationship between infection and disease
JP2023545704A (en) Systems and methods for exposome clinical applications
US10325067B1 (en) Statistical quality control of medical laboratory results
Chovancova et al. Quantitative metabolomics analysis of depression based on PLS-DA model
Getmantsev et al. A novel health risk model based on intraday physical activity time series collected by smartphones
KR20210152047A (en) Apparatus for predicting acute kidney injury using machine learning based on artificial intelligence and method thereof
Yördan et al. Hybrid AI-Based Chronic Kidney Disease Risk Prediction
Akter et al. CKD. Net: A novel deep learning hybrid model for effective, real-time, automated screening tool towards prediction of multi stages of CKD along with eGFR and creatinine
Shanmugarajeshwari et al. Intelligent Decision Support for Identifying Chronic Kidney Disease Stages: Machine Learning Algorithms
Garcia-Rios et al. Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2
D’Silva et al. Prediction of Hypertension using Machine Learning
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
US10971267B2 (en) Systems and methods for aggregation of automatically generated laboratory test results
Costa et al. Classification of patients with diabetes by analyzing the patterns of proteins present in saliva using machine learning

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210125

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240216