Laurent VOURIOT

Dans le monde, on estime qu'au moins 1.27 million le nombre de décès attribuable à l'antibiorésistance en 2019, essentiellement localisés en Asie et en Afrique sub-saharienne. Lorsqu'ils sont disponibles, les résultats de bactériologie définitifs sont en général obtenus après plusieurs jours, et l'antibiothérapie initiale est donc souvent une prescription probabiliste ou empirique, dont le spectre d'activité antibactérienne peut s'avérer inadapté au profil de sensibilité des bactéries responsables de l'infection. Le choix d'une antibiothérapie probabiliste constitue donc pour les prescripteurs, y compris expérimentés, un pari souvent difficile, basé sur le compromis entre un spectre d'activité que l'on souhaite aussi étroit que possible et une probabilité minimale d'efficacité, dont le niveau souhaité dépend de la sévérité de l'infection à traiter et du risque d'échec thérapeutique que l'on consent à prendre. Un système capable de guider de manière personnalisée les cliniciens dans leur choix d'antibiothérapie probabiliste pourrait donc fournir une aide intéressante. La grande majorité des systèmes d'aide à la décision clinique reste pourtant basée sur des règles d'experts issues de recommandations très générales, et les données historiques de résistance apparaissent jusqu'à présent essentiellement utilisées à des fins de surveillance. Très peu de systèmes de prédiction de la résistance bactérienne basés sur l'apprentissage machine (machine learning) et d'importants ensembles de données de santé ont été développés et évalués pour un usage au lit du malade. Dans ce projet de recherche, nous proposons donc d'utiliser un paradigme d'apprentissage fédéré combiné à de l'apprentissage continu pour développer un système de prédiction de la résistance bactérienne pour plusieurs hôpitaux de différentes régions de France et d'Asie du Sud-Est, tout en prenant en compte l'évolution de la résistance bactérienne.