Une étude publiée dans npj Digital Medicine met en lumière une avancée importante dans la détection des infections du site opératoire (SSI). Conduite par les Hôpitaux Universitaires de Genève (HUG), l’analyse couvre 3 931 patients opérés entre 2016 et 2022 et compare des modèles d’apprentissage automatique à un système fondé sur des règles cliniques.
L’étude montre que :
- Les modèles de machine learning atteignent une sensibilité allant jusqu’à 0,90 et une AUROC jusqu’à 0,968, tout en réduisant la charge de travail de plus de 90 %.
- Le modèle rule-based obtient la meilleure sensibilité (0,954) mais une performance globale plus faible et une réduction de charge limitée.
- Une stratégie hybride apparaît comme la voie la plus efficace pour renforcer la surveillance clinique.
Selon l’équipe des HUG, l’automatisation partielle permet de cibler plus rapidement les cas critiques, de réduire le temps de revue manuelle et d’améliorer la prévention hospitalière. Cette approche ouvre la voie à une surveillance plus rapide, plus précise et plus durable des infections postopératoires.