La péritonite infectieuse féline (PIF) est une maladie majeure des chats qui, à moins d'être diagnostiquée et traitée rapidement, est invariablement fatale. Bien qu'il soit reconnu depuis longtemps que cette condition résulte d'une réponse immunitaire aberrante à l'infection par le coronavirus félin, il reste des lacunes significatives dans notre compréhension de sa pathogénie. Par conséquent, le diagnostic est complexe et repose sur l'interprétation combinée de nombreux signes cliniques et biomarqueurs de laboratoire, dont beaucoup sont non spécifiques. Dans le cas de la PIF effusive, une forme aiguë couramment rencontrée de la maladie où des épanchements dans les cavités corporelles se développent ; l'interprétation des résultats de l'analyse des fluides est essentielle pour diagnostiquer la condition. Nous avons émis l'hypothèse que l'apprentissage machine pourrait être appliqué aux données des tests d'analyse de fluides afin d'aider au diagnostic de la PIF effusive. Ainsi, des dossiers de tests historiques d'un ensemble de données de laboratoire vétérinaire de 718 cas suspects de maladie effusive ont été identifiés, représentant 336 cas de PIF et 382 cas déterminés comme n'étant pas des PIF. Cet ensemble de données a été utilisé pour entraîner un modèle d'ensemble afin de prédire l'état de la maladie en fonction des observations cliniques et des caractéristiques de laboratoire. Notre modèle prédit l'état de la maladie correct avec une précision de 96,51 %, une surface sous la courbe du récepteur opérateur de 96,48 %, une sensibilité de 98,85 % et une spécificité de 94,12 %. Cette étude démontre que l'apprentissage automatique peut être appliqué avec succès à l'interprétation des résultats d'analyse des fluides pour détecter avec précision les cas de PIF effusive. Ainsi, cette méthode a le potentiel d'être utilisée dans un cadre de laboratoire diagnostic vétérinaire pour standardiser et améliorer la prestation de services.
Dunbar et al. (Fri,) ont étudié cette question.