Article de revue

Approches d’apprentissage automatique pour une évaluation précise des risques liés aux réactions indésirables à la transfusion : une revue basée sur Scikit

DOI :

10.3791/69658

⸱

20 janvier 2026

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette revue examine le potentiel de la bibliothèque d’apprentissage automatique scikit-learn pour prédire les réactions indésirables à la transfusion. Il présente un cadre basé sur les données pour améliorer l’évaluation des risques, répondre aux limites des approches conventionnelles et soutenir le développement de la médecine transfusionnelle de précision.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les réactions indésirables à la transfusion (TAR) englobent des effets indésirables survenant pendant ou après une transfusion sanguine, résultant de l’administration de sang, de produits sanguins ou de matériaux associés à la transfusion. Ces réactions peuvent provoquer des manifestations cliniques légères à sévères, notamment des réactions allergiques, des hémolyses, et une lésion pulmonaire aiguë liée à la transfusion (TRALI). Les approches conventionnelles actuelles — telles que la correspondance des groupes sanguins ABO/Rh et les protocoles de transfusion massive — peuvent améliorer les résultats des patients mais ne traitent pas les facteurs complexes spécifiques à chaque patient. Par conséquent, il est essentiel de développer un modèle de risque dédié au TAR. Les algorithmes d’apprentissage automatique (ML) peuvent exploiter des ensembles de données cliniques et de laboratoire à grande échelle pour construire des modèles diagnostiques et pronostiques, faisant progresser la médecine personnalisée et de précision. Notamment, l’algorithme de ML scikit-learn (SK-learn) n’a pas encore été directement appliqué à l’évaluation des risques TAR ; Néanmoins, son efficacité dans la construction de modèles similaires de prédiction des risques médicaux a reçu une reconnaissance significative. Cette revue présente un cadre basé sur l’apprentissage automatique pour prédire et prévenir la TAR, avec un accent particulier sur le rôle de SK-Learn dans divers contextes cliniques. Notre analyse jette les bases pour un futur diagnostic précis du TAR et le développement d’algorithmes SK-learn. De manière cruciale, notre synthèse de la littérature indique que sklearn offre une boîte à outils polyvalente et puissante pour cette tâche ; Cependant, sa réussite en pratique clinique dépend de la surmontation de défis clés, notamment l’hétérogénéité multicentrique des données et la nécessité d’une interprétation robuste des modèles.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La transfusion sanguine est une intervention salvatrice de vies utilisée dans divers contextes cliniques, notamment les soins de traumatisme, les interventions chirurgicales, les urgences obstétricales, les traitements oncologiques et la prise en charge des troubles hématologiqueschroniques 1,2. Malgré des bénéfices thérapeutiques importants, les transfusions peuvent provoquer divers effets indésirables, collectivement appelés Réactions Indésirables aux Transfusions (TAR)3,4. La RAT représente une affection multifactorielle avec des manifestations allergiques légères à des complications graves. Les réactions les plus fréquentes incluent les réactions non hémolytiques fébriles (FNHTR) et les réactions allergiques, avec des incidences rapportées d’environ 26 et 21 pour 100 000 unités transfusées, respectivement 5,6. Tandis que la correspondance des groupes sanguins ABO/Rh et les procédures de transfusion standardisées peuvent réduire significativement le risque de TAR, augmentant ainsi la sécuritédu patient 7,8,9. Ils ne peuvent pas empêcher complètement ces événements, en particulier ceux présentant des étiologies complexes ou à médiation immunitaire.

Les preuves suggèrent que l’apprentissage automatique, un sous-domaine de l’intelligence artificielle (IA), facilite l’intégration de données complexes et multimodales. Cette capacité améliore la prise de décision clinique, facilite un traitement personnalisé et optimise les services médicaux, améliorant finalement les résultats pourles patients 10,11. Introduit en 2007, SK-learn est une bibliothèque open source de machine learning en Python. Ses fonctionnalités principales incluent l’analyse de régression mise en œuvre via des algorithmes de ML, ainsi que la classification, le clustering, la réduction de dimensionnalité, la sélection de modèles et les capacités de prétraitement12. Dans les applications médicales, SK-learn est principalement employé pour la prédiction des maladies, la classification diagnostique et la stratification du risqueclinique 13,14. Par exemple, une étude a utilisé la bibliothèque SK-learn pour construire un modèle prédictif différenciant efficacement la néphropathie diabétique de la néphropathie non diabétique, aidant ainsi au diagnostic clinique et au traitement15. En tirant parti des avantages de l’algorithme sklearn, son efficacité dans la construction de modèles de prédiction des risques post-transfusion (TAR) a reçu une reconnaissance significative16,17.

Cette revue synthétise les avancées actuelles des algorithmes d’apprentissage automatique SK-learn et détaille leurs applications translationnelles dans divers contextes de maladies. De plus, elle établit également un cadre pour la future mise en œuvre clinique de SK-Learn dans le diagnostic et la modélisation prédictive de la TAR stratifiée selon le risque.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Revue et perspective

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aperçu de la RAT
Pathogenèse de la RAT
La RAT englobe un spectre diversifié de manifestations cliniques et de mécanismes physiopathologiques (Tableau I). Ces réactions sont principalement classées en sous-types immunitaireset non immunitaires 7,9,18,19. Les réactions à médiation immunitaire impliquent généralement des interactions antigène-anticorps, conduisant à une hémolyse ou à des réponses inflammatoires systémiques. Un exemple représentatif est l’incompatibilité ABO, qui peut déclencher des réactions aiguës de transfusion hémolytique (AHTR). Cette affection se manifeste par de la fièvre, des douleurs au flanc, de l’hypertension, une coagulation intravasculaire disséminée (CID) et une insuffisance rénaleaiguë 7,9,20. De plus, les réactions d’hypersensibilité de type I peuvent déclencher des transfusions allergiques, avec des manifestations cliniques allant de l’urticaire légère à une anaphylaxie potentiellement mortelle. Notamment, ces réactions sont fréquemment associées à des produits plaquettaires en raison de la présence de protéines plasmatiques résiduelles de donneurs, y compris les molécules allergènes sous-polliniques 18,21,22,23. TRALI est défini cliniquement par l’apparition aiguë d’une hypoxémie et d’un œdème pulmonaire non cardiogénique dans les 6 heures suivant la transfusion. La pathogenèse concerne principalement des anticorps dérivés du donneur contre les antigènes leucocytaires humains (HLA) ou les antigènes spécifiques auxgranulocytes 21,22,24. Notamment, certains antigènes de groupe sanguin, tels que les antigènes du système Kidd, peuvent déclencher des réactions hémolytiques retardées, également appelées DHTR, lorsqu’ils sont ciblés par des anticorps anti-HLA dérivés du donneur. Par contre, TRALI, qui est un type de lésion pulmonaire aiguë liée à la transfusion, représente une entité pathologique distincte médiée par des anticorps anti-HLA du donneur via des mécanismes d’activation desneutrophiles 6,22. Les réactions transfusionnales non à médiation immunitaire englobent plusieurs entités cliniques, notamment les réactions septiques dues à une contamination bactérienne, la surcharge volumique, l’hémolyse mécanique ou thermique, et la surcharge circulatoire associée à la transfusion (TACO)9,23. Les réactions de transfusion septique résultent de l’infusion de produits sanguins contaminés par des bactéries, le plus souvent Staphylococcus spp., Staphylococcus aureus et Escherichia coli dans les plaquettes, et Yersinia enterocolitica dans les globules rouges. Cliniquement, ils présentent une forte fièvre, des rigueurs, une hypotension, et peuvent rapidement évoluer vers un choc. Notamment, avec la mise en place d’un dépistage des agents pathogènes très sensibles, le risque d’infections classiques transmises par transfusion (ITC, par exemple, VIH, VHC) a été drastiquement réduit. Par conséquent, les réactions septiques, en particulier les transfusions de plaquettes stockées à température ambiante, sont désormais une complication infectieuse plus fréquemment rapportée que les TTI. Les infections transmissibles par transfusion, qui peuvent être causées par divers agents pathogènes, tels que les virus, bactéries et parasites, peuvent déclencher la TAR en activant le système immunitaire inné. Des revues systématiques récentes soulignent que le dépistage complet des agents pathogènes immunogènes reste le principal défi pour prévenir les infections liées aux TAR. 25,26,27,28 (Tableau 1).

Épidémiologie de la RAT
Dans les pays développés, l’incidence globale de la RAT reste relativement faible. Les données de surveillance actuelles indiquent que les réactions allergiques et les transfusions non hémolytiques fébriles (FNHTR) figurent parmi les événements indésirables les plus fréquemment signalés, les réactions allergiques étant désormais plus fréquentes que les FNHTR dans de nombreux systèmes de signalement. Les réactions sérologiques différées (DSTR) sont moins fréquemmentrapportées 5,9,29. Néanmoins, la RAT continue de poser d’importants défis cliniques dans les pays en développement et dans certaines populations, ce profil de risque élevé résultant de déterminants multifactoriels, notamment des variations dans les protocoles de dépistage standardisés, des procédures de manipulation sous-optimales des produits sanguins, des pratiques de transfusion hétérogènes et des prédispositions génétiques spécifiques àchaque population 26,27. Les patients atteints de drépanocytose sont particulièrement sensibles aux réactions de transfusion hémolytiques et à l’allo-immunisation. Ce risque accru est attribué à une inflammation chronique, à des différences phénotypiques dans les antigènes des globules rouges entre les populations principalement de patients caucasiens et d’origine africaine atteintes de SCD, ainsi qu’à une exposition élevée à vie aux transfusions, plutôt qu’à la présence même d’hémoglobine drépanocytose20,30. Notamment, les données récentes de surveillance provenant des principaux centres médicaux chinois ont révélé une incidence plus élevée de la TAE allergique chez les populations pédiatriques et néonatales que chez les adultes, attribuable à des seuils de transfusion distincts et à des pratiques cliniques distinctes. Inversement, les cohortes européennes présentent un schéma épidémiologique opposé dans ces groupesd’âge 19, 31, 32. Par exemple, Guo, K. et al. 19 ont rapporté que les enfants dans un grand centre national chinois présentaient des réactions allergiques plus fréquemment que les adultes, tandis que chez les nouveau-nés, les seuils et pratiques transfusionnels varient significativement à travers l’Europe33.

Les essais cliniques actuels développant des modèles d’évaluation des risques TAR emploient trois approches stratégiques fondamentales englobant des mesures préventives stratifiées par risque, des systèmes de surveillance en temps réel continus et des protocoles de gestion personnalisés pour les populations à haut risque. Ces modèles de risque démontrent un système de classification bimodal, comprenant à la fois des outils de dépistage complets avec une applicabilité universelle aux receveurs de transfusion et des algorithmes prédictifs spécialisés conçus pour identifier des sous-types spécifiques de réactions indésirables34,35. Les outils d’évaluation généralisée des risques, illustrés par le système britannique Serious Hazards of Transfusion (SHOT), utilisent des ensembles de données au niveau de la population pour stratifier les receveurs de transfusion. Ces systèmes démontrent une efficacité particulière pour identifier les cohortes à haut risque, y compris les patients ayant des antécédents de multiples transfusions ou de maladiesauto-immunes 36. La méthodologie conventionnelle de score de risque de transfusion et de connaissance clinique (TRACK) utilise des indicateurs de performance statiques avec des valeurs de coupure prédéterminées pour quantifier la performance du modèle dans des limites décisionnelles prédéfinies. Cette approche caractérise la capacité prédictive d’un modèle sous des paramètres opérationnelscontraints 37. Les avancées récentes ont permis de créer de nouveaux outils de stratification du risque pour la prédiction des transfusions. Le système SCORE, récemment développé, intègre six facteurs prédictifs validés cliniquement pour estimer la probabilité de transfusion. Des analyses comparatives démontrent que ce modèle simplifié atteint une précision prédictive et une performance d’étalonnage comparables au score TRACK conventionnel lors de la prévision des besoins en transfusion dans les interventions chirurgicalescardiaques 38.

En plus des modèles de réaction spécifiques, de nombreux modèles in vivo ont été récemmentétudiés 39. TRALI est une complication cliniquement significative dont le profil de risque est déterminé par une interaction d’anticorps anti-leucocytes/neutrophiles (anti-HLA/HNA) dérivés du donneur, des biomarqueurs inflammatoires élevés du receveur, dont l’interleukine-6, et le volume de transfusionadministré 34,39,40. Le risque de surcharge circulatoire associée à la transfusion (TACO) est souvent évalué à l’aide de systèmes de notation clinique intégrant des paramètres tels que des niveaux élevés de peptides natriurétiques de type B (BNP ou NT-proBNP), des antécédents de dysfonctionnement cardiaque, un taux élevé de transfusion et un bilan liquide positif. Le risque d’hémolyse médiée par le système immunitaire est évalué de manière préventive par un dépistage des anticorps via le test indirect des antiglobulines (test indirect de Coombs), qui détecte des alloanticorps cliniquement significatifs dans le plasma du receveur. L’identification de ces anticorps permet de sélectionner des unités sanguines antigène-négatives pour la transfusion, empêchant ainsi les réactions antigène-anticorps qui auraient autrement provoqué une hémolyse. L’historique transfusionnel d’un patient est également essentiel pour identifier la sensibilisation préalable et le risque de réactions hémolytiques retardées. Ces modèles mécanistes intègrent des paramètres cliniques et de laboratoire multidimensionnels afin d’augmenter la précision de la prédiction des réactionsindésirables 34,39,41. De plus, des protocoles de transfusion massive (MTP) ont été mis en place pour réduire la mortalité liée au choc hémorragique chez les patients traumatisés ou chirurgicaux hémorragiques sévères en standardisant le ratio de globules rouges, plasma etplaquettes 42,43. Cependant, ces pratiques ont réduit la morbidité liée aux transfusions et ne capturent pas pleinement l’interaction complexe des variables immunologiques et non immunologiques qui définissent la sécurité des transfusions. De nombreux systèmes et protocoles de notation existants ont été validés dans des conditions contrôlées ou des cohortes de patients plus restreintes, les rendant sous-optimaux dans des environnements réels ethétérogènes 16,44,45,46. L’évolution des profils pathogènes, les changements dans les populations de donneurs et la complexité des soins médicaux modernes remettent encore en question les approches statiques 25,26,47. Ce contexte a suscité un intérêt croissant pour l’application de l’apprentissage automatique afin d’affiner l’évaluation des risques de transfusion, combinant données cliniques, résultats de laboratoire et domaines émergents tels que la multiomique pour créer des modèles prédictifs plus puissants (Figure 1)48,49,50.

Construction actuelle du modèle d’évaluation clinique des risques via apprentissage automatique
L’apprentissage automatique (ML), en tant que paradigme fondamental de l’intelligence artificielle, permet la prise de décision adaptative grâce à la découverte automatisée de schémas de données latentes et à la génération inductive de modèles prédictifs, contournant ainsi la programmation procédurale explicite et permettant un raffinement continu des performances dans des domaines complexes et évolutifs, y compris le diagnostic médical et la prévision51. L’évolution de l’apprentissage automatique a traversé trois phases distinctes : (1) l’ère fondatrice, qui a établi les bases théoriques52 ; (2) la renaissance algorithmique, marquée par des avancées significatives dans les machines à vecteurs de support et les méthodesd’ensemble 53 ; et (3) la révolution de l’apprentissage profond, où les réseaux neuronaux convolutionnels et récurrents, alimentés par l’accélération GPU et le big data, ont provoqué des changements de paradigme transformateurs dans plusieurs domaines54. Dans les applications médicales, ils ont révolutionné le diagnostic médical de l’image et la détection desbiomarqueurs 55.

Les systèmes actuels d’apprentissage automatique sont classés en trois paradigmes fondamentaux selon leurs mécanismes d’apprentissage : (1) apprentissage supervisé, qui repose sur des ensembles d’entraînement nommés pour la modélisation prédictive ; (2) apprentissage non supervisé, qui révèle des structures latentes à partir de données non annotées ; et (3) l’apprentissage profond, qui exploite les architectures neuronales hiérarchiques pour l’abstraction automatisée des fonctionnalités. Ensemble, ces paradigmes constituent les méthodologies fondamentales qui sous-tendent les applications contemporaines de l’IA.

Ces dernières années, l’apprentissage automatique a gagné une large application dans le développement de marqueurs diagnostiques médicaux, l’évaluation du pronostic et la construction de modèles de risque57,58. Les données médicales présentent fréquemment une grande dimensionnalité, ce qui pose des défis importants pour une analyse efficace via les méthodestraditionnelles 14,59. Les techniques d’apprentissage automatique sont excellentes pour extraire des caractéristiques critiques de ces ensembles de données complexes, facilitant ainsi l’identification de ces caractéristiques cruciales. L’application de l’apprentissage automatique en médecine transfusionnelle est en voie d’émergence rapide. Par exemple, les modèles d’apprentissage automatique ont démontré des performances supérieures dans des tâches telles que la classification médicale des images et l’analyse pathologique, conduisant à des améliorations substantielles dans la précision du diagnostic précoce et la stratification du pronostic. En exploitant des données spécifiques au patient, telles que les profils génomiques et métabolomiques, l’apprentissage automatique peut prédire des réponses personnalisées au traitement, faisant progresser le domaine de la médecinede précision 62. Au-delà de la prédiction de la nécessité de la transfusion, l’apprentissage automatique est également appliqué pour optimiser la gestion des produits sanguins. Des études ont utilisé l’apprentissage automatique pour des tâches telles que la prévision de l’utilisation des plaquettes et la personnalisation des plannings de prise de sang préopératoires, démontrant ainsi un potentiel pour améliorer la gestion des stocks et réduire le gaspillage.

De plus, l’apprentissage automatique permet l’intégration de données multisources, y compris l’imagerie, la génomique et les dossiers médicaux électroniques (DSE), pour construire des modèles prédictifscomplets 63. De plus, le ML prend en charge les alertes de risque en temps réel, telles que la prédiction de la septicémie pour les patients en réanimation, et automatise les flux de travail diagnostiques, allégeant ainsi la charge de travail des professionnelsde santé 64. Le ML a considérablement amélioré la précision des modèles de pronostic du cancer et du développement de cibles en intégrant des données multiomiques, en explorant des motifs complexes et en accélérant la conception de médicaments. De plus, l’apprentissage automatique améliore la précision diagnostique en identifiant à la fois des schémas connus et inconnus indiquant la présence ou l’absence de cancer65. Une étude simulée a démontré que les radiologues pouvaient passer les cas négatifs prédits, réduisant leur charge de travail à seulement 80,7 % des mammographies tout en maintenant la sensibilité et la spécificité globales. Il a été démontré que les modèles CNN peuvent être utilisés pour segmenter les tissus fonctionnels à partir d’images échographiques mammaires, aidant ainsi les cliniciens à interpréter et à diagnostiquer cesimages 66. Le pronostic et le choix du traitement reposent fortement sur les caractéristiques tumorales, dont beaucoup peuvent être prédites via des modèles ML basés sur l’image. Certains chercheurs ont appliqué des CNN 3D pour prédire le statut de mutation de l’EGFR dans l’adénocarcinome pulmonaire à partir de régions d’intérêt (ROI) sélectionnées manuellement lors des scanners, offrant une alternative non invasive au génotypage du cancer et informant les stratégies thérapeutiquespotentielles 67. Les technologies génomiques émergentes, telles que la transcriptomique unicellulaire et la transcriptomique spatiale, offrent un potentiel significatif pour révolutionner la caractérisation histopathologique des tumeurs solides. Plus précisément, la transcriptomique unicellulaire permet une analyse détaillée de la composition cellulaire, permettant aux modèles ML de prédire les réponses au traitement du cancer et les mécanismes potentiels de résistanceaux médicaments 68.

L’apprentissage profond (DL), en tant que sous-domaine de l’apprentissage automatique, exploite des algorithmes de réseaux de neurones multicouches inspirés par l’architecture neuronale du cerveau pour la modélisation prédictive69. Contrairement aux méthodes d’apprentissage automatique, telles que la régression logistique, qui exploitent leur architecture de réseau neuronal, la DL permet aux modèles de s’étendre de façon exponentielle avec l’augmentation du volume et de la dimensionnalité des données69. La DL a été largement appliquée dans des applications médicales. Ces dernières années, les techniques émergentes d’apprentissage profond ont été largement adoptées pour le diagnostic du cancer, le pronostic et l’identification de schémas thérapeutiques. Diverses architectures de réseaux de neurones, y compris les perceptrons multicouches (MLP), les réseaux de neurones récurrents (RNN) et les réseaux de neurones convolutionnels (CNN), servent de composants fondamentaux pour des méthodologies avancées69. Des études ont introduit un modèle CNN capable de prédire le risque de cancer non seulement au niveau de l’image mais aussi au niveau des pixels, fournissant des cartes thermiques qui mettent en évidence les régions les plus susceptibles de développer des cancers70. L’intégration des CNN profondes dans les systèmes de classification du cancer basés sur l’histologie s’est avérée efficace, des études indiquant que ces modèles peuvent atteindre des performances comparables à celles des pathologistes humains pour classer les cancers de la prostate, du sein, du côlon et des lymphomes71,72,73,74,75. Les chercheurs ont démontré que segmenter les tissus cancéreux avec un générateur basé sur CNN peut aider un classificateur basé sur CNN à prédire le degré du cancer de la prostate76. Certains chercheurs ont utilisé un modèle hybride de réseau neuronal convolutionnel graphe (GCNN) pour cartographier les profils d’expression génique sur le réseau d’interaction protéine-protéine (PPI) STRING, permettant ainsi de prédire les sous-types moléculaires du cancer du sein69,77. L’apprentissage automatique a également démontré une applicabilité significative dans les maladies non cancéreuses, en particulier dans la modélisation diagnostique. Par exemple, des études ont mené des formations externes et prospectives ainsi que la validation de modèles d’apprentissage automatique pour prédire la mortalité et les événements critiques chez les patients atteints de COVID-19 sur différentes périodes. Ces modèles ont permis d’identifier avec succès les patients à haut risque et d’élucider les relations sous-jacentes contribuant aux résultats prédictifs78. Les modèles radiomiques traditionnels reposent principalement sur des caractéristiques manuellement conçues dérivées explicitement d’images médicales. Les chercheurs ont exploré si les caractéristiques profondes extraites par apprentissage par transfert pouvaient être utilisées pour générer des signatures radiomiques afin de prédire la survie globale (OS) des patients atteints de glioblastome multiforme (GBM)79. Ces dernières années, l’apprentissage automatique a démontré des avancées significatives en microbiologie80. Une application clé dans ce domaine consiste à permettre aux professionnels de santé de diagnostiquer rapidement et précisément les micro-organismes responsables des maladies infectieuses chez les patients, ce qui est crucial pour déterminer les stratégies de traitement appropriées. Les modèles ML peuvent obtenir des diagnostics précis lorsqu’ils disposent de données d’entrée appropriées80. Il a été démontré que l’utilisation d’un réseau neuronal convolutionnel (CNN) pré-entraîné comme extracteur de caractéristiques, combinée à une validation croisée au niveau du patient, permet de distinguer efficacement les cellules infectées par le paludisme des cellules non infectées, améliorant ainsi les processus de dépistage de la maladie81. Un modèle d’apprentissage automatique basé sur une cohorte de 1 839 isolats bactériens du Royaume-Uni a été développé pour classifier les profils de résistance de Mycobacterium tuberculosis (M. tuberculosis) à huit médicaments antituberculeux (isoniazide, rifampicine, éthambutol, pyrazinamide, ciprofloxacine, moxifloxacine, ofloxacine et streptomycine), dont la tuberculose multirésistante. Comparé aux méthodes précédentes, le modèle le plus performant a amélioré la sensibilité à l’isoniazide, à la rifampicine et à l’éthambutol de 2 à 4 %, atteignant une sensibilité de 97 % (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

Par exemple, les modèles DL sont couramment entraînés à analyser des images mamographiques afin de prédire la probabilité qu’un patient développe un cancer àl’avenir 82. De plus, certains chercheurs ont souligné les avantages de cette méthode de prédiction directe du risque, indiquant que le score de risque du cancer du sein généré par le modèle de réseau de neurones convolutionnel Inception-ResNet-v2 est plus précis que celui obtenu à partir de l’évaluation clinique de la densitémammaire 83. De même, certains chercheurs ont développé un modèle de mammographie basé sur la DL qui surpasse le modèle de risque de Tyrer-Cuzick, qui s’appuie sur des caractéristiques cliniques telles que l’âge des patientes, pour prédire le risque de développement d’un cancer du sein à cinq ans chezles femmes de 84 ans.

De plus, l’apprentissage automatique a été appliqué en médecine transfusionnelle. L’intérêt croissant pour l’application de l’IA à la médecine transfusionnelle est souligné par son inclusion dans les principaux forums professionnels, tels qu’une conférence dédiée organisée par le groupe de travail clinique sur les transfusions de la Société internationale de transfusion sanguine (ISBT), qui explore le potentiel de l’IA dans la pratique, l’éducation et la recherche en MT85. La transfusion sanguine (BT) est un élément essentiel des soins médicaux pour les patients chirurgicaux en réanimation. Cette étude a analysé les données de 9 118 patients en soins intensifs chirurgicaux dans la base de données de l’UMC, en utilisant l’apprentissage automatique pour prédire les besoins en transfusion sanguine. En comparant la performance des algorithmes XGBoost et de régression logistique (LR) à partir de données allant de 6 heures avant l’admission en réanimation jusqu’à 1, 2, 3 et 6 heures après l’admission, la recherche a révélé des différences significatives dans les caractéristiques des patients entre les groupes transfusionnels et non transfusionnels. Ces résultats confirment la faisabilité de l’apprentissage automatique pour prédire les besoins en transfusion sanguine chez les patients en soins intensifschirurgicaux 86. Les transfusions sanguines allogéniques sont fréquemment nécessaires lors des chirurgies de l’articulation de la hanche mais sont associées à un risque accru de morbidité. Une prédiction précise des besoins en transfusion est essentielle pour minimiser les déchets de produits sanguins et optimiser la prise de décision préopératoire. Des études récentes ont mis en place 14 algorithmes d’apprentissage automatique pour prédire les risques de transfusion, intégrant des données démographiques des patients, des résultats de laboratoire préopératoires et des informations chirurgicales. La performance du modèle a été évaluée par discrimination, calibration et analyse de la courbe de décision. Les explications additives SHapley (SHAPs) ont été utilisées pour interpréter les modèles, le classificateur de crête démontrant la plus grande précision prédictive, atteignant un AUC de 0,85 (IC 95 % : 0,81-0,88) et un score Brier de 0,21. Le modèle d’apprentissage automatique de cette étude a démontré une performance prédictive élevée pour les besoins de transfusion périopératoire lors des opérations de l’articulation de la hanche, en utilisant les variables cliniquesdisponibles 87.

De plus, l’apprentissage automatique a été intégré avec succès à la conception de médicaments, répondant à des défis tels que le temps et les coûts de calcul tout en améliorantla fiabilité 88,89. En tirant parti de l’environnement tridimensionnel de liaison au ligand des protéines, l’apprentissage automatique facilite la détermination des structures des protéines cibles, une étape clé dans la découverte de médicaments90. Par exemple, AlphaFold, un outil piloté par l’IA, peut être entraîné directement sur les données de la Protein Data Bank (PDB) et est capable de prédire les structures 3D des protéines à partir des séquencesd’acides aminés 91. AlphaFold utilise un processus en deux étapes : d’abord, un CNN convertit la séquence d’acides aminés de la protéine en matrices d’angle de distance et d’angle de torsion ; deuxièmement, les techniques d’optimisation du gradient transforment ces matrices en structure 3D92 de la protéine.

Scikit-learn (sklearn) est une bibliothèque d’apprentissage automatique basée sur Python, largement reconnue pour sa facilité d’utilisation, sa documentation exhaustive et son support communautairerobuste 93. Il fournit une collection complète de méthodes supervisées, telles que la régression logistique, les machines à vecteurs de support et les forêts aléatoires, ainsi que des méthodes non supervisées, y compris le regroupement et la réduction dedimensionnalité 93. Il fournit également des pipelines qui simplifient le prétraitement des données, l’entraînement des modèles, la validation croisée et l’ajustement des hyperparamètres dans un cadreunifié 93. Les outils d’interprétation des modèles, incluant les graphiques d’importance des caractéristiques de permutation et de dépendance partielle, ainsi que des méthodes d’ensemble avancées telles que la forêt aléatoire et le gradient boosting, présentent de manière constante une performance prédictive robuste dans les contextes de santé45,93.

Compte tenu de ces caractéristiques, SK-learn a été largement utilisé en recherche médicale pour des tâches telles que le diagnosticde maladies 12,94, la prédiction des foisde survie 95, l’analyse de grands ensembles de données d’imagerie96, et la construction de modèles de prédiction du risque pour l’utilisationde transfusions 97. Cette section propose un examen détaillé des cas d’application spécifiques et de la mise en œuvre technique, et démontre les avantages de SK-learn dans la construction de modèles de diagnostic de maladies et d’évaluation des risques (Figure 2). Avec un accent particulier sur le domaine du cancer, où ses applications sont les plus étendues et matures, nous analysons les pratiques réussies et relevons les défisexistants 12, 93, 95, 98. De plus, nous explorons comment ces connaissances peuvent servir de références précieuses et d’inspiration pour le développement des modèles de prédiction du risque TAR.

SK-learn offre un cadre algorithmique robuste qui intègre des techniques traditionnelles d’apprentissage automatique — y compris les machines à vecteurs de support (SVM), les forêts aléatoires et la régression logistique — avec des approches d’apprentissage profond telles que le classificateur multicouche perceptron (MLP), ce qui le rend parfaitement adapté à la modélisation de divers ensembles de données sur le cancer. Par exemple, dans le développement d’un nouveau système histologique pour diagnostiquer le carcinome arénocortical, les chercheurs ont utilisé la bibliothèque sklearn en Python pour construire un modèle mathématique multidimensionnel. Ce modèle a atteint une précision diagnostique globale de 100 %, démontrant une large applicabilité à toutes les variantesmorphologiques 99.

De plus, SK-learn, GridSearchCV et RandomizedSearchCV permettent une optimisation automatisée des hyperparamètres. Par exemple, lors de la prédiction de la métastase ganglionnaire, les paramètres d’un modèle XGBoost ont été ajustés par validation croisée, aboutissant à une valeur AUC de 0,95212. Par exemple, la machine à vecteurs de support (SVM) présente des performances supérieures dans les tâches de classification du cancer du sein. Sa fonction de noyau non linéaire permet un traitement efficace des données d’imagerie en haute dimension. Une étude analysant des données spectrales de patients atteints de cancer buccal a révélé que la SVM, combinée à l’élimination récursive des caractéristiques (RFE), atteignait une sensibilité de 95 % et une spécificité de 96 %, dépassant largement l’analyse discriminante linéaire traditionnelle de Fisher (FLD)100. De plus, une analyse comparative menée sur le jeu de données UCI sur le cancer du sein a démontré que la SVM surpassait à la fois le regroupement K-means et les réseaux de neurones artificiels en termes de précision de classification et de capacitéde généralisation 101. La capacité de la SVM à gérer des données de haute dimension est tout aussi pertinente pour la prédiction des TAR, où les modèles doivent intégrer de nombreux paramètres cliniques et de laboratoire.

La méthode de la forêt aléatoire démontre des performances supérieures en analyse de l’importance des caractéristiques. Certains chercheurs ont utilisé des forêts aléatoires pour intégrer les données génomiques et cliniques et identifier des caractéristiques clés liées au pronostic du cancer du sein. Les résultats de regroupement étaient significativement corrélés avec les critèrescliniques 102. Cette approche peut être directement transférée à la modélisation TAR pour identifier les facteurs de risque les plus influents, tels que des anticorps spécifiques du donneur ou des marqueurs inflammatoires du receveur, à partir d’un large éventail de caractéristiques candidates.

XGBoost, en tant qu’algorithme représentatif de gradient boosting, démontre des performances exceptionnelles dans la prédiction des stadifications du cancer. Une étude basée sur des données multiomiques de TCGA a indiqué que XGBoost, combiné aux caractéristiques de méthylation de l’ADN, peut encore améliorer la performance prédictive du modèlede classification 103. Dans une autre étude sur la métastase du cancer du sein, XGBoost a optimisé ses hyperparamètres via Grid-Search CV et a été combiné à la visualisation des valeurs SHAP. Six gènes clés, tels que SQSTM1 et GDF9, ont été identifiés avec succès. L’AUC du modèle a atteint 0,82, fournissant de nouveaux biomarqueurs pour la prédiction du risque demétastase 104. La combinaison de méthodes d’ensemble performantes comme XGBoost avec l’explication SHAP constitue un paradigme puissant qui peut être adopté pour les modèles TAR afin de fournir aux cliniciens des évaluations des risques transparentes et exploitables.

SK-learn fournit une boîte à outils standardisée de prétraitement des données qui traite efficacement la haute dimensionnalité, le déséquilibre et les valeurs manquantes dans les données sur le cancer. Par exemple, dans la prédiction du cancer colorectal, un modèle de régression logistique qui crible quatre indicateurs principaux, tels que la CEA et l’hémoglobine, a été utilisé pour construire un modèle diagnostique non invasif avec une surface sous la courbe (AUC) de 0,849, surpassant nettement la détection via un seul marqueurtumoral 105. En termes de traitement déséquilibré des données, en combinant la technique de suréchantillonnage SMOTE de la bibliothèque d’apprentissage déséquilibré, XGBoost a amélioré la sensibilité de la classe minoritaire (échantillons malins) de 8,36 % dans la classification du cancer du sein, et la valeur F1 a atteint 96,2 % 106.

La combinaison de SK-learn avec des outils tels que SHAP et eli5 offre une interprétabilité transparente pour les modèles de cancer. Dans la prédiction des métastases des ganglions sentinelles dans le cancer du sein, le modèle XGBoost visualisé à partir des valeurs SHAP montre que des caractéristiques échographies telles que les « ganglions lymphatiques suspects » et la « spiculation marginale » contribuent le plus fort au risque de métastase, ce qui est très cohérent avec la logique diagnostiqueclinique 12.

SK-learn a démontré des avantages substantiels dans la recherche liée aux maladies non cancéreuses. Les maladies non cancéreuses nécessitent fréquemment l’intégration de données multisources, notamment les dossiers médicaux électroniques (DME), l’imagerie, la génomique, la protéomique, et d’autres. SK-learn est capable de regrouper les dossiers médicaux électroniques des patients, les profils génétiques et les informations sur le mode de vie afin de prédire le risque de maladies associées avec une précision accrue. Par exemple, un algorithme de forêt aléatoire de SK-learn a été utilisé pour intégrer les données du DME afin de prédire le risque de maladie cardiovasculaire. Cette approche a non seulement amélioré significativement la précision de la prédiction du risque cardiovasculaire, mais a aussi augmenté le nombre de patients pouvant bénéficier d’interventions préventives tout en minimisant les traitements inutiles pour d’autres107. Les chercheurs ont utilisé la bibliothèque d’apprentissage automatique SK-learn de Python pour développer et entraîner cinq modèles d’IA distincts — régression logistique, forêt aléatoire, AdaBoost, CATBoost et LightGBM — afin de prédire les ré-déchirures postopératoires de la coiffe des rotateurs après la réparation arthroscopique de la coiffe des rotateurs (ARCR). Les modèles entraînés ont ensuite été appliqués à un ensemble de données de test pour évaluation. Notamment, le modèle LightGBM a atteint un AUC de 0,87, démontrant sa performance prédictive supérieure dans l’estimation de la probabilité de redéchirage après ARCR108.

Bien que sklearn ait été largement utilisé dans le domaine de la prédiction médicale, il n’existe actuellement aucune littérature directe sur son application pour prédire les réactions indésirables par transfusion. Cette lacune n’indique pas un défaut technique mais met en lumière les défis uniques et le potentiel inexploité de prédiction des réactions indésirables à la transfusion.

Les méthodes traditionnelles pour évaluer les risques d’effets indésirables liés à la transfusion sanguine reposent principalement sur des indicateurs cliniques statiques, une analyse rétrospective des antécédents médicaux et des questionnaires de dépistage standardisés, qui présentent de multiples limites 109,110,111. Les événements TAR sont extrêmement rares. L’incidence des réactions transfusionnelles chez la population adulte générale est d’environ 2 %, ce qui donne une catégorie112 extrêmement déséquilibrée. Ce déséquilibre pousse les classificateurs standards à prioriser la précision de la classe majoritaire par rapport à la classe minoritaire. Pour résoudre ce problème, le module sklearn d’apprentissage déséquilibré, tel que SMOTE+ENN, propose une solution bien établie pour rééquilibrer le jeu de données. De nombreux facteurs contribuent à la survenue des réactions indésirables après des transfusionssanguines 113. SK-learn permet un prétraitement efficace des données collectées, facilitant ainsi une analyse ultérieure. L’utilisation de transformateurs colonnes pour un prétraitement hétérogène et l’union de caractéristiques pour la fusion multimodale permet une intégration fluide des donnéesstructurées 114,115. Dans la prise de décision clinique, la transparence du modèle est cruciale. SHAP/LIME est compatible avec les modèles sklearn, y compris TreeExplainer pour les forêts aléatoires, garantissant la conformité réglementaire tout en préservant la performanceprédictive 116,117.

Pour traduire les capacités évoquées de sklearn en une stratégie concrète de prédiction des TAR, nous proposons un pipeline de modélisation pratique suivant la feuille de route établie pour l’apprentissage automatique (Figure 3). Ce cadre est conçu pour répondre aux défis spécifiques de la TAR, tels que l’hétérogénéité des données et le déséquilibre extrême des classes.

Le développement d’un modèle prédictif robuste pour les réactions indésirables à la transfusion nécessite un pipeline analytique de bout en bout. Ce processus commence par l’intégration et le prétraitement des données cliniques multimodales, englobant la démographie des patients, les signes vitaux, les valeurs de laboratoire, les détails des transfusions et les caractéristiques des donneurs. Les types de données hétérogènes sont efficacement consolidés à l’aide du ColumnTransformer de sklearn dans un pipeline pour appliquer une mise à l’échelle et un encodage appropriés, créant ainsi un ensemble de données unifié pour analyse. Une étape critique consiste à s’attaquer au profond déséquilibre de classe inhérent aux rares événements TAR ; les étiquettes cibles, définies par des résultats rigoureusement jugés, peuvent être rééquilibrées en utilisant des techniques comme SMOTE-ENN issues de la bibliothèque compatible imbalance learn-learn afin d’éviter le biais du modèle. Après la préparation des données, plusieurs algorithmes sont entraînés et évalués à l’aide de l’API cohérente de sklearn, avec un réglage et un calibrage des hyperparamètres effectués via GridSearchCV pour optimiser les performances et garantir des estimations fiables de probabilité. Pour favoriser la confiance clinique et fournir des insights mécanistes, les prédictions du modèle sont interprétées à l’aide d’outils comme SHAP, qui peuvent quantifier la contribution de caractéristiques spécifiques au score de risque d’un individu. La généralisabilité du modèle est ensuite rigoureusement validée à l’aide de techniques robustes comme la validation croisée imbriquée sur des données provenant de cohortes de patients distinctes. Enfin, pour une éventuelle traduction clinique, l’ensemble du pipeline formé peut être sérialisé et intégré dans les systèmes électroniques de dossiers médicaux, fonctionnant comme un outil d’aide à la décision en temps réel fournissant des scores de risque interprétables aux cliniciens au point de soins.

Dans cette revue, nous commençons par introduire la TAR, résumer les modèles TAR existants, présenter le concept d’apprentissage automatique, mettre en avant les avantages de l’apprentissage automatique et discuter de ses applications en prédiction des maladies. Nous explorons également l’application potentielle de l’apprentissage automatique dans la TAR, en fournissant des lignes directrices pour les futurs chercheurs dans le développement des modèles d’apprentissage TAR-SK. De plus, nous détaillons le rôle potentiel de SK-learn dans l’évaluation du risque TAR, tout en soulignant que des limitations notables limitent considérablement son application clinique. Les modèles actuels de la RAT reposent principalement sur des ensembles de données rétrospectifs à centre unique, qui peuvent ne pas saisir les variations régionales des pratiques transfusionnelles, les caractéristiques démographiques telles que les différences liées à l’âge entre les populations pédiatriques et adultes, ou la susceptibilité génétique dans des populations diverses 19,26,31,32. De plus, ces modèles intègrent inadéquatement les données multiomiques, y compris les profils d’anticorps HLA des donneurs et la protéomique inflammatoire des receveurs, qui sont essentiels pour comprendre les mécanismes de la TAR médiés par le système immunitaire tels que le TRALI. Cette limitation limite leur capacité à différencier les sous-types immunitaires des nonimmuns 25,40. L’interprétabilité reste un défi majeur : bien que SK-learn fournisse des outils tels que les valeurs SHAP, si les prédictions algorithmiques, telles que les marqueurs génétiques rares, manquent de validation biologique en tant que facteurs de risque, les cliniciens peuvent hésiter à adopter ces modèles, ce qui entraîne un décalage entre les résultats de l’apprentissage automatique et l’intuitionclinique 14,50. La mise en œuvre pratique rencontre également des défis, tels que la nécessité d’une infrastructure informatique robuste et d’un prétraitement standardisé des données de dossiers médicaux électroniques (DME), qui sont souvent indisponibles dans des contextes à ressourceslimitées 47,87.

Pour combler ces lacunes, les recherches futures devraient prioriser la collecte prospective de données multicentriques, comme l’intégration de jeux de données issus des registres internationaux TAR, y compris le système britannique SHOT et les cohortes pédiatriques chinoises, afin de réduire le biais de sélection et d’améliorer la généralisation des modèles19,36. L’intégration de données multimodales, y compris le séquençage à ARN unicellulaire du sang du donneur et des marqueurs de protéines inflammatoires, dans le pipeline SK-learn pourrait améliorer la classification des sous-types TAR, similaire à l’amélioration de 12 à 24 % de la sensibilité observée dans les études de prédiction de la résistance aux médicamentscontre la tuberculose 73. Collaborer avec des immunologistes pour valider des mécanismes, tels que le lien entre les caractéristiques de risque identifiées par SK-learn — combinaisons spécifiques d’anticorps HLA — avec des tests d’activation du complément in vitro, peut combler le fossé entre les prédictions algorithmiques et les mécanismesbiologiques 22,24. Le développement d’outils d’aide à la décision clinique conviviaux, capables d’extraire automatiquement des caractéristiques en temps réel des DSE, telles que le volume de transfusion et les niveaux de BNP, et de fournir des scores de risque interprétables en parallèle des critères diagnostiques traditionnels, est essentiel pour une intégration fluide dans les flux de travailcliniques 97,107.

Comparé aux modèles traditionnels TAR, tels que l’appariement ABO/Rh et les scores TRACK, SK-learn présente des avantages significatifs. Par exemple, des algorithmes d’ensemble comme LightGBM excellent dans la modélisation des interactions non linéaires entre les facteurs de risque, tels que les anticorps anti-HLA du donneur et les niveaux d’IL-6 chez le receveur, ce qui entraîne une augmentation de la sensibilité de 12 à 24 % dans les études de prédiction de la résistance aux antibiotiques. Les outils de priorisation des caractéristiques basés sur les données, tels que l’importance des caractéristiques par permutation, peuvent identifier de nouveaux indicateurs de risque, notamment la durée de stockage sanguin et les complications non détectées, au-delà des connaissances cliniquesprédéfinies 45,93. De plus, son architecture open source et ses exigences computationnelles modérées le rendent applicable dans des environnements à ressources limitées, contrairement aux cadres d’apprentissageprofond 69,93.

Pour traduire ce potentiel en impact clinique, les travaux futurs doivent se concentrer sur plusieurs domaines clés. Premièrement, la collecte prospective et multicentrique de données est essentielle pour surmonter le biais de sélection et améliorer la généralisabilité du modèle à travers des populations diverses. Deuxièmement, l’intégration de données multimodales (par exemple, profils d’anticorps de donneurs, marqueurs inflammatoires du receveur) offrira un ensemble de fonctionnalités plus complet, permettant aux modèles sklearn de mieux distinguer les sous-types TAR et de capturer des interactions de risque complexes. Troisièmement, la validation biologique des caractéristiques de risque identifiées par algorithmes (par exemple, relier des anticorps HLA spécifiques à des tests in vitro) est cruciale pour combler le fossé entre la prédiction statistique et la compréhension mécanistique, construisant ainsi la confiance clinique. Enfin, développer des outils cliniques conviviaux et interprétables fournissant des scores de risque en temps réel facilitera l’intégration fluide de ces modèles dans le flux de travail routinier, faisant évoluer le paradigme de la gestion des réactions à la prévention préventive.

En conclusion, cette revue souligne le potentiel transformateur de SK-learn dans l’évaluation des risques de transfusion sanguine, en abordant les limites des méthodes traditionnelles fondées sur des règles. En intégrant des données cliniques complexes, en priorisant les caractéristiques de risque et en fournissant des prédictions interprétables, SK-learn constitue une pierre angulaire de la médecine de la transfusion de précision. Cependant, la réalisation de ce potentiel nécessite une collaboration interdisciplinaire, une validation multicentrique à grande échelle des modèles SK-learn, l’intégration de données multiomiques et cliniques en temps réel, ainsi que le développement d’outils adaptés aux cliniciens pour relier les connaissances algorithmiques aux mécanismes biologiques.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Conclusions

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
Figure 1 : Illustration des catégories TAR et du modèle actuel d’évaluation des risques combinée aux stratégies potentielles de SK-learn dans l’évaluation des risques TAR. (A) La RAT peut être divisée en deux types : réactions à médiation immunitaire et réactions non à médiation immunitaire. (B) Mod...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs déclarent qu’ils n’ont pas d’intérêts concurrents.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail a été soutenu par le Bureau des sciences et technologies de Luzhou, n° 2024JYJ034, Titre : Effets de l’irradiation et du temps de stockage sur les vésicules extracellulaires dans les concentrés de plaquettes.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

M decine de pr cisiontransfusion sanguinemod les de pr diction cliniqueinterpr tabilit des mod lespr diction du risque m dicalh t rog n it des donn es

Articles connexes