Projet Pilote de Prédiction de la Multirésistance par IA — L'Université Jamhuriya Teste un Triage par Forêt Aléatoire dans les Hôpitaux de Mogadiscio

La Somalie possède l'une des infrastructures de surveillance de la résistance aux antimicrobiens (RAM) les plus fragiles au monde, la capacité de laboratoire et la notification cohérente des données étant encore en construction à l'échelle nationale. Des chercheurs du Centre de recherche sur la résistance aux antimicrobiens de l'Université Jamhuriya des sciences et technologies ont cherché à savoir si un modèle d'apprentissage automatique léger, entraîné uniquement sur des données recueillies en routine au point de soin, pouvait aider à repérer les infections probablement multirésistantes (MDR) dans des contextes dépourvus de capacités génomiques ou de laboratoire avancées.
À partir d'un ensemble de 1 012 isolats bactériens collectés dans des établissements de santé sentinelles à Mogadiscio entre septembre 2024 et janvier 2026, l'équipe a construit un classificateur par forêt aléatoire sur une cohorte analytique finale de 262 isolats, en utilisant uniquement l'âge, le sexe, le type d'organisme, le service hospitalier et l'origine du prélèvement comme prédicteurs de la résistance à cinq antibiotiques sentinelles. Sur un ensemble de test de 51 isolats, le modèle a atteint une exactitude globale de 66,7 % (IC à 95 % : 52,1-79,2 %) et une AUC de 0,607. La sensibilité était élevée, à 91,4 %, captant la plupart des cas véritablement MDR, mais la spécificité n'était que de 12,5 % — le modèle a classé à tort la grande majorité des isolats non résistants comme résistants.
Les auteurs précisent explicitement qu'il s'agit d'une "preuve de concept préliminaire" et non d'un outil prêt au déploiement : la cohorte analytique ne représentait qu'un quart de l'ensemble initial, avec une prévalence de MDR accrue par un biais de sélection (68,3 % contre 32,6 % dans l'ensemble complet) ; l'étude a été menée sur un seul site ; et aucune validation externe, validation croisée ou optimisation des hyperparamètres n'a été réalisée. Evidoria inclut ce cas comme un exemple honnête et bien documenté de l'écart entre un projet pilote prometteur et un outil de santé publique digne de confiance — utile précisément parce qu'il montre ce qui doit encore être corrigé avant qu'une aide au triage par IA puisse être fiable dans un contexte clinique à ressources limitées.