L’IA détecte le trouble bipolaire dans les dossiers de patients avec diagnostics affectifs avec une AUC de 0.93

PreprintmedRxiv 2026 · 1 min de lecture
AUC · trouble bipolaire
0.93
500 dossiers de patients avec diagnostics affectifs
Sensibilité
96.4%
IC 95 % 87.7–99.0
Spécificité
84.4%
IC 95 % 71.2–92.3

Prépublication medRxiv d’exactitude diagnostique : modèle DSE avec AUC 0.93, sensibilité 96.4 % et spécificité 84.4 %.

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea

Cette étude d’exactitude diagnostique a évalué l’intelligence artificielle pour détecter le trouble bipolaire dans les dossiers de santé électroniques de patients avec diagnostics affectifs. Le jeu de données rapporté comprenait n=500 DSE et un sous-ensemble de validation de n=100, selon STARD 2015 et TRIPOD-AI.

Les métriques clés incluent AUC 0.93, une sensibilité de 96.4 % (IC 95 % : 87.7–99.0), une spécificité de 84.4 % (IC 95 % : 71.2–92.3) et une concordance par domaine de 91.3 % (IC 95 % : 89.9–92.6). Parmi 387 patients sans diagnostic bipolaire antérieur, 36.4 % ont été nouvellement classés à risque.

Résultats en un coup d’œil

Les chiffres clés de l’article, en langage simple.

Les performances du modèle

Plus haut, c’est mieux

Données: 500 dossiers de patients avec diagnostics affectifs — medRxiv 2026

Les scores sur une échelle de 0 à 1 (AUC, kappa) sont tracés ×100.

Voir les chiffres sous forme de tableau
IndicateurValeurCe que cela signifie
AUC · trouble bipolaire0.93500 dossiers de patients avec diagnostics affectifs
Sensibilité96.4%IC 95 % 87.7–99.0
Spécificité84.4%IC 95 % 71.2–92.3

Comment citer

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea. Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study. medRxiv. 2026. https://doi.org/10.64898/2026.05.07.26352679

@article{ferro2026artificial,
  title     = {{Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study}},
  author    = {Eugenio Ferro and Natalia Castaño-Villegas and Manuel F. Esteban Cárdenas and María Gómez Puentes and Carlos Torres-Delgado and Laura Ortiz Calderon and Katherine Monsalve and José Zea},
  journal   = {medRxiv},
  year      = {2026},
  doi       = {10.64898/2026.05.07.26352679},
  url       = {https://www.medrxiv.org/content/10.64898/2026.05.07.26352679v1},
  note      = {Preprint}
}

Plus de recherche d’Arkangel AI

Toute la recherche →

Pour les hôpitaux et les assureurs

Validez ces résultats dans votre établissement

Nous testons le modèle sur vos propres dossiers cliniques avec votre équipe, selon vos règles de confidentialité et de gouvernance.

Lancer une collaboration
Lire l’articleCiter