vendredi 23 novembre 2018

Recours aux urgences : prédire le risque avec l'intelligence artificielle

| 22.11.2018


Comment mieux réguler le passage aux urgences ? L'intelligence artificielle (IA) pourrait permettre de mieux anticiper le risque d'hospitalisations non programmées d'un patient donné en fonction de ses caractéristiques, via l'utilisation en routine d'outils prédictifs performants, suggère une étude britannique dans « PLOS Medicine ».

Dans sa publication, l'équipe du George Institute of Global Health à l'université d'Oxford fait la démonstration que deux modèles issus d'un sous-domaine de l'IA - l'apprentissage automatique (« machine learning » en anglais) - sont plus performants qu'un modèle statistique conventionnel de référence.
Un outil pour être plus proactif
Pour Fatemeh Rahimian, chercheur au George Institute et premier auteur, l'objectif de cette étude est de « fournir un outil qui permettrait aux professionnels de santé de gérer avec précision le risque encouru par leurs patients et, par conséquent, de prendre de meilleures décisions pour le dépistage et d'être proactif pour des soins qui pourraient réduire le poids des admissions aux urgences ».
Pour ce travail de « big data », les chercheurs ont développé deux modèles d'apprentissage automatique - le random forest (RF) et le gradient boosting classifier (GBC). Ils les ont testés à partir des données des dossiers médicaux électroniques de plus 4,6 millions de patients britanniques âgés de 18 à 100 ans dans 389 cabinets entre 1985 et 2015. La performance de ces modèles a enfin été comparée à celle d'un modèle statistique de référence (Cox proportional hazards, CPH).
Les chercheurs ont utilisé trois sets de variables. Le premier intègre 43 variables de base. Il s'agit de démographie (âge, sexe, ethnie), de mode de vie (statut socio-économique, indice de masse corporelle, tabagisme, alcool), d'orientation stratégique en politique de santé (par région), d'antécédents familiaux, d'analyses biologiques, de 16 comorbidités, de 6 traitements médicamenteux (anticoagulants, statines, AINS, corticostéroïdes, antidépresseurs, antipsychotiques) et de passages antérieurs aux urgences.
La notion de temporalité fait la différence
Le 2e set introduit en plus 13 autres variables (statut marital, 11 autres comorbidités, nombre de consultations en médecine générale durant l'année). Quant au 3e set, il rajoute à l'ensemble une dimension de temporalité, par exemple l'ancienneté du diagnostic initial, la date de la dernière consultation ou des derniers examens biologiques.
Au final, les modèles prédictifs intégrant des notions de temporalité se sont révélés plus robustes que ceux utilisés jusque-là.
« Avec de larges bases de données riches en information sur les patients, les modèles d'apprentissage automatique font mieux que l'un des meilleurs modèles statistiques conventionnels, explique Fatemeh Rahimian. La raison en est sans doute que les modèles d'apprentissage automatique saisissent et apprennent d'interactions entre les données, dont nous n'étions pas conscients auparavant. »  

Aucun commentaire:

Enregistrer un commentaire