Au-delà de la simple prédiction des résultats, ces connaissances peuvent guider des traitements spécifiques, optimiser l'allocation des ressources et, en fin de compte, améliorer les résultats pour les patients. Un groupe de chercheurs turcs a présenté une approche basée sur l'apprentissage automatique pour prédire la survie des chevaux atteints de coliques, en se concentrant sur l'intégration de paramètres cliniques, de procédure et diagnostiques dans des modèles prédictifs robustes. En exploitant les algorithmes d'apprentissage supervisé et les techniques d'intelligence artificielle explicable (XAI), l'objectif n'est pas seulement d'obtenir une grande précision prédictive, mais aussi de fournir des informations interprétables sur les facteurs clés influençant les résultats.

La méthodologie utilisée met également l'accent sur l'importance de la transparence dans les prédictions alimentées par l'IA, ce qui permet aux vétérinaires de mieux comprendre la logique derrière les décisions des modèles. Cette interprétabilité favorise la confiance et facilite des stratégies de traitement spécifiques, garantissant ainsi que les modèles servent d'outils pratiques dans les environnements cliniques.

Les experts ont précisé que l'intelligence artificielle explicable couvre une variété de méthodologies visant à rendre les résultats des systèmes d'IA interprétables pour les humains. Ces techniques "améliorent la compréhension des modèles d'IA en éclaircissant les motivations et les processus sous-jacents utilisés pour générer des prédictions."

Le processus a commencé par l'acquisition d'un ensemble de données contenant des informations cliniques et physiologiques pertinentes pour la santé équine et les résultats de survie. Ensuite, plusieurs modèles d'apprentissage automatique ont été développés et formés sur les données traitées pour prédire la probabilité de survie du cheval. Chaque modèle a été sélectionné en fonction de sa capacité à gérer des caractéristiques catégorielles et numériques tout en abordant les complexités de l'ensemble de données.

Parmi les modèles testés, le modèle "Random Forest" a obtenu les meilleures performances en termes de précision, avec une précision de 86,1 %. XGBoost l'a suivi de près avec une précision plus élevée (86,2 %), ce qui en fait le modèle le plus performant.

Des caractéristiques telles qu’un taux de protéine totale élevé, un pouls augmenté et une distension abdominale ont été identifiés comme des contributeurs dominants à la prédiction d'un mauvais résultat. Sur la base de ces informations, "un vétérinaire pourrait prioriser des interventions telles que la thérapie agressive par fluides pour traiter la déshydratation, un soutien cardiovasculaire pour stabiliser le pouls et un diagnostic par imagerie pour évaluer la santé abdominale."

Ainsi, les auteurs ont commenté que "cette étude met en évidence le potentiel transformateur de l'intelligence artificielle explicable pour faire progresser la gestion de la colique équine, et les connaissances personnalisées dérivées de ces technologies émergent comme la contribution la plus impactante." En offrant des explications interprétables et spécifiques à chaque cas pour les prédictions du modèle, "les vétérinaires peuvent adapter les interventions en fonction des profils cliniques uniques de chaque cheval, allant au-delà des protocoles de traitement généralisés et ouvrant la voie à la médecine vétérinaire de précision."

Face à ces résultats, ils concluent que les connaissances personnalisées issues de l'étude fournissent aux vétérinaires des connaissances pratiques adaptées aux cas individuels, réduisant ainsi l'écart entre la modélisation prédictive et l'application clinique dans le monde réel. "Cette approche personnalisée des soins équins a le potentiel d'améliorer considérablement les résultats de survie et le bien-être général."