Alors que 80 à 85 % des cas de sepsis se présentent dans les 48 heures suivant l’admission, ils ont une mortalité plus faible (5 à 10 %) par rapport à 15 à 20 % des cas qui se présentent plus tard et ont une mortalité plus élevée (15 à 30 %).
Pour mieux identifier – et plus tôt – les cas de sepsis non présents à l’admission, dans un grand hôpital bénéficiant d’un filet de sécurité, un flux de travail de bout en bout de prédiction et de réponse précoce au sepsis a été créé en milieu hospitalier. Tout d’abord, un modèle d’apprentissage automatique a été construit pour prédire le risque qu’un patient devienne septique en temps réel.
Ensuite, le modèle a été intégré aux flux de travail cliniques via les API FHIR pour le rendre exploitable sur le lieu d’intervention. Le modèle accède au DSE toutes les 15 minutes et alerte les prestataires de soins lorsque le risque dépasse un certain seuil, qui peut être adapté aux populations locales.
Enfin, une application d’aide à la décision intégrée au DSE, ou ISLET, a été ajoutée pour permettre aux cliniciens de visualiser et de comprendre facilement les résultats du modèle afin d’améliorer la possibilité d’action. La prédiction, l’alerte, la visualisation des causes profondes et l’action sur le cas complètent le flux de travail. Ce flux de travail complet a été exécuté pour des milliers de patients toutes les 15 minutes au cours de l’année dernière.
Yusuf Tamer est chercheur principal en données et applications au Parkland Center for Clinical Innovation. Il racontera cette histoire en détail à HIMSS24 dans une session éducative intitulée « Closer la boucle dans la prévision de la septicémie avec ML et la visualisation des îlots ».
Nous avons interviewé Tamer pour avoir un avant-goût de la session précédant le grand concert du mois prochain à Orlando.
Q. Quel est l’objectif principal de votre session ? Pourquoi est-ce important pour les responsables informatiques de la santé dans les hôpitaux et les systèmes de santé aujourd’hui ?
UN. La septicémie est une maladie grave déclenchée par une infection pouvant entraîner une défaillance de plusieurs organes. Il s’agit d’une urgence médicale qui nécessite une identification et un traitement rapides. L’objectif principal de ma séance est de discuter du rôle de l’intelligence artificielle dans la prédiction précoce du sepsis en milieu hospitalier.
Les systèmes d’IA dans le domaine de la santé complètent de plus en plus les prestataires de soins en leur offrant des raisons de se méfier. Ces soupçons sont mis à exécution lorsque les prestataires font confiance aux raisons qui leur sont avancées. Cette confiance repose sur deux piliers clés : la rapidité et l’explicabilité.
La rapidité est cruciale dans la détection du sepsis. Plus tôt le sepsis est identifié, meilleures sont les chances de guérison du patient. Si un système d’IA identifie une septicémie et alerte le prestataire après avoir déjà commencé le traitement, cela diminue la valeur du système. Cela pourrait perturber le flux de travail clinique et éroder la confiance dans le système d’IA. Par conséquent, le système d’IA doit être conçu pour fournir des alertes opportunes qui peuvent véritablement faciliter le processus de traitement.
L’explicabilité est un autre aspect critique. Dans un établissement de soins aux patients, chaque action entreprise par un prestataire est soumise à un audit. Même si les systèmes d’IA ne sont pas les décideurs finaux, ils peuvent influencer considérablement la prise de décision.
Par conséquent, les décisions prises par les systèmes d’IA ou les modèles d’apprentissage automatique doivent être explicables. Cette transparence est cruciale à des fins d’audit et garantit la responsabilité dans les soins de santé assistés par l’IA.
En outre, l’explicabilité des systèmes d’IA est importante non seulement pour l’audit, mais également pour instaurer la confiance avec les prestataires de soins de santé. Si le système d’IA peut fournir des raisons claires et compréhensibles pour ses prédictions, les prestataires de soins de santé sont plus susceptibles de faire confiance à ses recommandations et d’agir en conséquence.
La séance fournira des informations précieuses sur la manière dont l’IA peut améliorer la prédiction précoce du sepsis, en soulignant l’importance de la rapidité et de l’explicabilité pour instaurer la confiance et améliorer les résultats pour les patients.
Ce sujet est de la plus haute importance pour les responsables informatiques de la santé, car il touche à l’intersection de la technologie et des soins aux patients, soulignant comment l’IA peut être exploitée pour améliorer la prestation des soins de santé.
Q. Quel est l’apprentissage principal que vous souhaiteriez que les participants à la session repartent ? Et en quoi est-ce vital pour les soins de santé aujourd’hui ?
UN. Le principal point à retenir que je souhaite que les participants retiennent de cette session est que les modèles d’apprentissage automatique ne doivent pas nécessairement être des « boîtes noires ». Bien que les performances soient un facteur critique pour ces modèles, un modèle explicable auquel les fournisseurs font confiance sera davantage utilisé s’il présente des performances comparables. Il s’agit d’une compréhension cruciale dans le contexte actuel des soins de santé et de l’informatique de la santé.
Les modèles d’apprentissage automatique sont souvent perçus comme complexes et opaques, ce qui rend difficile pour les prestataires de soins de santé de leur faire confiance et de les utiliser. Cependant, il est important de comprendre que ces modèles peuvent être conçus pour être transparents et explicables.
Un modèle qui fournit des raisons claires et compréhensibles pour ses prédictions peut renforcer la confiance parmi les prestataires de soins de santé, conduisant à une utilisation accrue même si ses performances ne sont comparables qu’à celles de modèles moins transparents.
De plus, la représentation visuelle des données peut améliorer considérablement la valeur apportée par ces modèles. Une image vaut en effet mille mots. Un graphique illustrant l’évolution des paramètres vitaux ou des valeurs de laboratoire d’un patient au fil du temps peut fournir plus de valeur qu’une simple sortie numérique.
Cela peut aider les prestataires de soins de santé à mieux comprendre l’état du patient et les prédictions du modèle, conduisant ainsi à une prise de décision plus éclairée.
Dans cette session, nous discuterons de la façon dont nous avons créé une page de rapport avec des graphiques sur notre modèle d’apprentissage automatique et de la manière dont nous l’avons intégré dans le DSE. Cette intégration permet aux prestataires de soins d’accéder et de comprendre les prédictions du modèle directement dans le DSE du patient, améliorant ainsi la convivialité du modèle.
En outre, nous explorerons comment les API Fast Healthcare Interoperability Resources ouvrent de nouvelles façons rapides et interactives de visualiser les informations sur l’apprentissage automatique. Ces API permettent une intégration transparente des modèles d’apprentissage automatique avec les systèmes informatiques de santé existants, permettant une visualisation interactive en temps réel des prédictions des modèles.
La session vise à démystifier les modèles d’apprentissage automatique dans le domaine des soins de santé et à souligner l’importance de l’explicabilité et de la visualisation pour instaurer la confiance et améliorer la convivialité de ces modèles. Cette compréhension est vitale pour les responsables informatiques de la santé alors qu’ils évoluent dans le paysage en évolution rapide de l’IA dans le domaine de la santé.
Q. Quel autre apprentissage aimeriez-vous que les participants à la session repartent ? Et en quoi est-ce vital pour les soins de santé et/ou l’informatique de la santé aujourd’hui ?
UN. Il s’agit de l’importance du feedback continu des utilisateurs actifs, en l’occurrence des prestataires de soins de santé, pour améliorer la valeur des systèmes d’IA dans le domaine de la santé. Il s’agit aujourd’hui d’un aspect crucial des soins de santé et de l’informatique de la santé.
Les systèmes d’IA ne sont pas des entités autonomes ; ils font partie d’un écosystème plus vaste qui comprend des prestataires de soins de santé, des patients et d’autres parties prenantes. Par conséquent, le développement et le perfectionnement de ces systèmes devraient être un processus collaboratif.
Lorsque les prestataires de soins de santé sont impliqués dans le développement de solutions d’apprentissage automatique, ils comprennent mieux le fonctionnement de ces systèmes. Cette compréhension favorise la confiance, ce qui améliore leur utilisation de l’outil dans leur processus de prise de décision.
De plus, les prestataires de soins de santé sont souvent confrontés à une lassitude en raison du nombre élevé d’alertes qu’ils reçoivent des différents systèmes. Cela peut conduire à négliger des alertes importantes, ce qui peut avoir un impact sur les soins aux patients.
Il est donc crucial d’obtenir l’avis des prestataires sur ce qu’il faut alerter et quand attendre avant d’alerter. Ces commentaires peuvent aider à concevoir des systèmes d’alerte plus efficaces, à réduire la fatigue liée aux alertes et, à terme, à améliorer les soins aux patients.
De plus, les commentaires continus des prestataires de soins de santé peuvent aider à identifier les domaines d’amélioration du système d’IA. Les prestataires, en tant qu’utilisateurs finaux de ces systèmes, peuvent fournir des informations précieuses sur les performances, la convivialité et la pertinence du système en milieu clinique. Ces commentaires peuvent être utilisés pour affiner le système, le rendant ainsi plus efficace et plus convivial.
La session vise à souligner l’importance des commentaires des utilisateurs dans le développement et le perfectionnement des systèmes d’IA dans le domaine de la santé. Cette compréhension est vitale pour les responsables informatiques de la santé alors qu’ils s’efforcent d’intégrer l’IA dans les soins de santé d’une manière efficace, conviviale et bénéfique pour les soins aux patients.
Cette approche collaborative du développement de l’IA améliore non seulement la valeur du système d’IA, mais favorise également la confiance et la compréhension entre ses utilisateurs.
La session, « Closing the Loop in Sepsis Prediction With ML and ISLET Visualization », est prévue le 12 mars, de midi à 13 heures, dans la salle W304A du HIMSS24 à Orlando. Apprenez-en davantage et inscrivez-vous.
Suivez la couverture HIT de Bill sur LinkedIn : Bill Siwicki
Envoyez-lui un e-mail : [email protected]
Healthcare IT News est une publication HIMSS Media.
