Si vous lisez Sprudge depuis un temps raisonnable, vous avez sans doute déjà préparé plusieurs articles sur les bienfaits potentiels du café pour certains aspects particuliers de votre santé. Les histoires ressemblent généralement à ceci : « une étude révèle que la consommation de café est associée à une diminution de X % des [mauvais résultats pour la santé] », suivie peu après par « l'étude est observationnelle et ne prouve pas de lien de causalité ».
Dans un nouvelle étude dans le American Heart Associationle journal de Circulation: Insuffisance cardiaque, les chercheurs ont découvert un lien entre la consommation de trois tasses de café ou plus par jour et une diminution du risque d'insuffisance cardiaque. Mais il y a quelque chose de différent dans cette étude observationnelle. Cette étude a utilisé l’apprentissage automatique pour parvenir à ses conclusions, et elle pourrait modifier considérablement l’utilité de ce type d’étude à l’avenir.
Tel que rapporté par l' , la nouvelle étude n’est pas vraiment nouvelle du tout. Dirigés par David Kao, cardiologue à la faculté de médecine de l'Université du Colorado, les chercheurs ont réexaminé le Étude de coeur de Framingham (FHS), "une étude de cohorte cardiovasculaire à long terme et en cours auprès des résidents de la ville de Framingham, Massachusetts» qui a débuté en 1948 et s'est développé jusqu'à inclure plus de 14,000 XNUMX participants.
Alors que la plupart des recherches commencent par une hypothèse qu'elles cherchent ensuite à prouver ou à réfuter, ce qui peut conduire à l'établissement de fausses relations en raison du type de variables que les chercheurs choisissent d'inclure ou d'exclure dans leur analyse de données, Kao et al. ont plutôt abordé l'EFS sans intention. résultat. Au lieu de cela, ils ont utilisé « une technique d’analyse de données puissante et de plus en plus populaire connue sous le nom d’apprentissage automatique » pour trouver tout lien potentiel entre les caractéristiques des patients capturées dans le FHS et les chances que les participants souffrent d’insuffisance cardiaque.
Capable d'analyser d'énormes quantités de données en peu de temps, ainsi que d'être programmé pour gérer les incertitudes des données, comme si une tasse de café signalée pèse six ou huit onces, l'apprentissage automatique peut alors commencer à déterminer et à classer lequel les variables sont les plus associées aux incidents d’insuffisance cardiaque, ce qui confère même aux études observationnelles un plus grand pouvoir explicatif dans leurs résultats. Et en effet, lorsque les résultats de l’analyse de l’apprentissage automatique FHS ont été comparés à deux autres études bien connues, le Étude sur le cœur cardiovasculaire (SHC) et le Risque d'athérosclérose dans les communautés (ARIC), l’algorithme a pu « prédire correctement la relation entre la consommation de café et l’insuffisance cardiaque ».
Mais il y a bien sûr des réserves. Les algorithmes d’apprentissage automatique ne sont aussi efficaces que les données qui leur sont transmises. Si la portée est trop étroite, les résultats risquent de ne pas se traduire de manière plus large et leur utilité prédictive dans le monde réel est considérablement réduite. Le New York Times propose comme exemple un logiciel de reconnaissance faciale : « Formés principalement sur des sujets masculins blancs, les algorithmes ont été beaucoup moins précis pour identifier les femmes et les personnes de couleur. »
Néanmoins, la nouvelle étude s’avère prometteuse, non seulement en ce qui concerne les bienfaits pour la santé découverts par l’algorithme, mais également en ce qui concerne la manière dont nous entreprenons et interprétons ce type de recherche basée sur l’analyse.
Zac Cadwalader est rédacteur en chef de Sprudge Media Network et rédacteur basé à Dallas. Lire la suite de Zac Cadwalader sur Sprudge.
