Prédiction de la résistance aux antibiotiques à partir de techniqued'IA: une approche fédérée et continue.

Predicting antibiotic resistance using AI: a federated and continual approach

• Auteur / Autrice : Laurent Vouriot
• Direction : Jean Gaudart, Maria Raquel Urena perez
• Type : Projet de thèse
• Discipline(s) : Biologie-Santé - Spécialité Recherche Clinique et Santé Publique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : SESSTIM - Sciences Economiques & Sociales de la Santé et Traitement de l'Information Médicale
• Partenaire(s) de recherche : Equipe de recherche : SESSTIM - E3 - QuanTIM - Méthodes Quantitatives et Traitement de l'Information Médicale

Mots clés

Mots clés libres

Antibiorésistance

Ia

Apprentissage fédéré

Apprentissage continu

Apprentissage automatique

Antibiotic resistance

Ai

Federated learning

Continual learning

Machine learning

Résumé

Dans le monde, on estime qu'au moins 1.27 million le nombre de décès attribuable à l'antibiorésistance en 2019, essentiellement localisés en Asie et en Afrique sub-saharienne. Lorsqu'ils sont disponibles, les résultats de bactériologie définitifs sont en général obtenus après plusieurs jours, et l'antibiothérapie initiale est donc souvent une prescription probabiliste ou empirique, dont le spectre d'activité antibactérienne peut s'avérer inadapté au profil de sensibilité des bactéries responsables de l'infection. Le choix d'une antibiothérapie probabiliste constitue donc pour les prescripteurs, y compris expérimentés, un pari souvent difficile, basé sur le compromis entre un spectre d'activité que l'on souhaite aussi étroit que possible et une probabilité minimale d'efficacité, dont le niveau souhaité dépend de la sévérité de l'infection à traiter et du risque d'échec thérapeutique que l'on consent à prendre. Un système capable de guider de manière personnalisée les cliniciens dans leur choix d'antibiothérapie probabiliste pourrait donc fournir une aide intéressante. La grande majorité des systèmes d'aide à la décision clinique reste pourtant basée sur des règles d'experts issues de recommandations très générales, et les données historiques de résistance apparaissent jusqu'à présent essentiellement utilisées à des fins de surveillance. Très peu de systèmes de prédiction de la résistance bactérienne basés sur l'apprentissage machine (machine learning) et d'importants ensembles de données de santé ont été développés et évalués pour un usage au lit du malade. Dans ce projet de recherche, nous proposons donc d'utiliser un paradigme d'apprentissage fédéré combiné à de l'apprentissage continu pour développer un système de prédiction de la résistance bactérienne pour plusieurs hôpitaux de différentes régions de France et d'Asie du Sud-Est, tout en prenant en compte l'évolution de la résistance bactérienne.

In the world, it is estimated that there were at least 1.27 million deaths attributed to antibiotic resistance in 2019, primarily concentrated in Asia and sub-Saharan Africa. When definitive bacteriology results are available, they are generally obtained after several days, and initial antibiotic therapy is often a probabilistic or empirical prescription, the antibacterial activity spectrum of which may not be suitable for the sensitivity profile of the bacteria responsible for the infection. Therefore, the choice of probabilistic antibiotic therapy is often a challenging decision for prescribers, including experienced ones. It is based on a compromise between wanting a spectrum of activity as narrow as possible and a minimal probability of efficacy, the desired level of which depends on the severity of the infection being treated and the risk of therapeutic failure one is willing to accept. A system capable of providing personalized guidance to clinicians in their choice of probabilistic antibiotic therapy could be of significant assistance. However, the majority of clinical decision support systems are still based on expert rules derived from very general recommendations, and historical resistance data have been primarily used for surveillance purposes so far. Very few machine learning-based bacterial resistance prediction systems and extensive health data sets have been developed and evaluated for use at the patient's bedside. In this research project, we propose using a federated learning paradigm combined with continuous learning to develop a bacterial resistance prediction system for multiple hospitals in different regions of France and Southeast Asia, taking into account the evolution of bacterial resistance.