L'apprentissage automatique des tests sanguins de routine prédit les résultats des lésions de la moelle épinière en quelques jours, ce qui aide à prendre des décisions de traitement précoces. Machine learning of routine blood tests predicts spinal cord injury outcomes within days, aiding early treatment decisions.

Une étude de l'Université de Waterloo révèle que les tests sanguins de routine, analysés avec l'apprentissage automatique, peuvent prédire la gravité des lésions de la moelle épinière et les résultats, y compris la survie, dans les jours suivant l'admission, même avant les examens neurologiques. A University of Waterloo study finds that routine blood tests, analyzed with machine learning, can predict spinal cord injury severity and outcomes—including survival—within days of admission, even before neurological exams. À l'aide de données provenant de plus de 2 600 patients américains, les chercheurs ont identifié des profils de marqueurs sanguins communs comme les électrolytes et les cellules immunitaires recueillies au cours des trois premières semaines suivant le blessure. Using data from over 2,600 U.S. patients, researchers identified patterns in common blood markers like electrolytes and immune cells collected in the first three weeks post-injury. Les modèles prévoyaient les résultats avec précision dès le début, avec une précision améliorée au fil du temps, offrant un outil peu coûteux et largement disponible pour guider le traitement et l'utilisation des ressources dans les soins intensifs. The models accurately forecasted outcomes early on, with accuracy improving over time, offering a low-cost, widely available tool to guide treatment and resource use in intensive care. Cette approche pourrait améliorer le pronostic précoce et les soins personnalisés pour les patients atteints de lésions de la moelle épinière dans le monde. The approach could enhance early prognosis and personalized care for spinal cord injury patients globally.