L'Hôpital Provincial de Gweru Teste Cinq Modèles d'Apprentissage Automatique pour Repérer les Infections Résistantes aux Médicaments

La surveillance nationale de la résistance aux antimicrobiens (RAM) au Zimbabwe a été renforcée ces dernières années grâce au soutien du Fleming Fund britannique, mais les outils prédictifs au niveau hospitalier restent rares, et de nombreux laboratoires de diagnostic manquent encore de systèmes de données électroniques. Des chercheurs travaillant avec l'hôpital provincial de Gweru, un hôpital général de référence de la province du Midlands, ont cherché à savoir si les données de laboratoire recueillies en routine pouvaient alimenter un modèle prédictif d'alerte précoce plutôt qu'un simple rapport rétrospectif.
Cette étude transversale rétrospective s'est appuyée sur 4 054 isolats bactériens cliniques issus de 874 dossiers de patients recueillis entre 2022 et 2024. L'équipe a entraîné et comparé cinq modèles d'apprentissage automatique — machine à vecteurs de support (SVM), forêt aléatoire, régression logistique, gradient boosting et k plus proches voisins — pour prédire la résistance. Le SVM a obtenu les meilleurs résultats, avec une exactitude de 72,08 %, une précision de 73,25 %, un rappel de 79,78 %, un score F1 de 0,76 et une AUC-ROC de 0,79. Les auteurs soulignent le potentiel de cette approche pour orienter les ressources de gestion des antimicrobiens vers les services hospitaliers et les agents pathogènes les plus à risque.
Il s'agit d'une analyse rétrospective menée dans un seul hôpital, publiée en tant que prépublication en septembre 2025 et n'ayant pas encore fait l'objet d'une évaluation par les pairs indépendante ; aucune validation prospective ni déploiement clinique n'a été rapporté. Evidoria inclut ce cas comme une preuve de concept crédible et bien documentée provenant d'un hôpital provincial public — des chiffres de performance diagnostique réels issus de dossiers réels, avec les réserves habituelles d'une étude rétrospective monocentrique non encore évaluée par les pairs.