Passer au contenu principal

Votre navigateur n’est malheureusement pas entièrement pris en charge. Si vous avez la possibilité de le faire, veuillez passer à une version plus récente ou utiliser Mozilla Firefox, Microsoft Edge, Google Chrome, ou Safari 14 ou plus récent. Si vous n’y parvenez pas et que vous avez besoin d’aide, veuillez nous faire part de vos commentaires.

Nous vous serions reconnaissants de nous faire part de vos commentaires sur cette nouvelle expérience.Faites-nous part de votre opinion(S’ouvre dans une nouvelle fenêtre)

Elsevier
Publier avec nous
Connect

Application du Machine Learning et de l’Intelligence Artificielle ( IA ) à des données relatives à l’état de santé de patients réels pour réduire les évènements indésirables à l’hôpital

France | 17 mai 2022

Application du Machine Learning et de l’Intelligence Artificielle

Application du Machine Learning et de l’Intelligence Artificielle

Par définition, les soins médicaux sont censés s’accompagner d’une amélioration. Mais parfois, le patient peut contracter une infection à l’hôpital ou présenter des complications suite à une intervention chirurgicale. Ces évènements indésirables relatifs aux soins (EIAS) surviennent chez 8 à 12 % de l’ensemble des personnes hospitalisées. Selon l’Organisation Mondiale de la Santé (OMS)(S’ouvre dans une nouvelle fenêtre), dans l’Union Européenne, on en compte 750 000 chaque année, ce qui correspond à plus de 3,2 millions de jours d’hospitalisation qu’il aurait été possible d’éviter.

En 2017, l’Organisation de coopération et de développement économique (OCDE)(S’ouvre dans une nouvelle fenêtre) a montré, dans un rapport, que plus de 10 % des dépenses hospitalières étaient corrélées au traitement des EIAS survenus pendant une hospitalisation.

En 2019, le Professeur Jean-Luc Bosson(S’ouvre dans une nouvelle fenêtre), responsable du pôle santé publique du Centre hospitalier universitaire de Grenoble Alpes (CHUGA), en France, s’est associé à Elsevier pour appliquer le Machine Learning aux dossiers patients de son CHU. Son objectif était de créer des modèles pour identifier les patients présentant un plus fort risque de développer des EIAS. Pour cela, il fallait construire un seul jeu de données multi-sources ou un « data warehouse » (entrepôt de données) combinant toutes les sources de données internes de l’hôpital. Cette tâche complexe impliquait de récupérer les données de différents services, par exemple des départements laboratoire et radiologie, et d’y incorporer divers types de sources comme les diagnostics, ou les notes et les ordres donnés par le personnel infirmier et les médecins. Il fallait également résoudre tous les problèmes liés à la non concordance des données et aux incohérences de codage.

Pendant le déroulement de la pandémie, les équipes de projet du CHUGA et d’Elsevier ont travaillé de concert à distance pour configurer les conditions préalables à l’analyse d’un grand nombre de données en utilisant les méthodes modernes du Machine Learning. L’objectif du Pr Bosson est pratiquement atteint maintenant : modéliser simultanément des centaines de variables pour découvrir des relations, identifier des modèles et définir les populations à risque. Cela permettra à l’hôpital d’identifier les patients qui correspondent au profil à risque pour leur apporter des soins plus ciblés.

Le Pr Bosson a déclaré : « Ce type de projet bénéficie en premier lieu au patient, mais aussi à toute l’institution. Auparavant, je considérais Elsevier avant tout comme une maison d’édition de revues scientifiques. Avec ce projet, j’ai découvert et compris l’ouverture d’esprit de ce groupe vis-à-vis du monde que nous partageons — l’informatique médicale et l’analytique en matière de santé. »

Les modèles identifient les 5 % de patients ayant 4,7 fois plus de risque de développer un événement indésirable grave, représentant une menace vitale, comme une thromboembolie ou ayant 40 % de risque d’hospitalisation prolongée.

« Sans l’équipe de traitement de data sciences d’Elsevier, nous n’aurions jamais eu l’expertise ni la disponibilité d’une équipe suffisante pour mener à bien ce projet. Ou nous l’aurions finalisé en cinq à six ans et ce projet aurait été obsolète avant même d’être terminé. Dans ce domaine, il est nécessaire d’obtenir rapidement des résultats car les choses évoluent extrêmement vite. »

Professeur Jean-Luc Bosson - Centre Hospitalier Universitaire Grenoble-Alpes, France.

Une équipe de projet interdisciplinaire

Depuis sa base à Berlin, Sigurd Prieur, docteur en médecine et vice-président de Life Science Analytics chez Elsevier, a dirigé le projet international. La directrice médicale d'Elsevier, Ursula von Schenck, a travaillé en étroite collaboration avec les professeurs Bosson et Daniel Pagonis sur la conception et l'interprétation des résultats analytiques.

Ursula von Schenck, MD, PhD

Ursula von Schenck, MD, PhD

Les experts en données d'Elsevier ont développé une boîte à outils sophistiquée pour traiter, modéliser et valider les données importantes telles que les dossiers médicaux électroniques en utilisant des algorithmes d'apprentissage automatique et de validation de dernière génération :

En combinant notre expertise avec celle de nos clients, nous pouvons proposer des solutions personnalisées qui répondent à leurs besoins et améliorent les résultats pour les patients. Comme l'explique le Dr Prieur : « Elsevier se positionne de plus en plus sur la science de la décision au lieu de soins, où nous combinons des données et du contenu pour aider à optimiser le processus de soins dans les hôpitaux. Ce projet démontre notre capacité à comprendre un flux de données, à en tirer des enseignements et à améliorer le résultat, tout en respectant la confidentialité des données et la conformité au GDPR. »

Un modèle de prédiction :

Un modèle de prédiction

Un modèle de prédiction

Le Machine Learning permet aux cliniciens de prévoir les risques individuels d'événements indésirables liées aux soins de santés d'un patient à l'admission afin d"améliorer le traitement du patient. Ce modèle est basé sur les valeurs scientifiques des laboratoires, des procédures, des différents diagnostics et des résultats obtenus. (Source : Résultat de DEMETER, une étude rétrospective et d'observation entre la CHUGA et Elsevier).

Auteur :

Alice Mogenet

International Senior Commercial Product Manager at Elsevier - Clinical Decision Support Solutions

Alice Mogenet

Alice Mogenet

Découvrez d'autres articles disponible sur Elsevier Connect :

Clinician of the Future : Rapport 2022

Par Elsevier | 14.06.2022

Clinician of the Future - Rapport 2022

Clinician of the Future - Rapport 2022

"Pour les médecins, la vérification des connaissances est quotidienne"

What's Up Doc

Pour les médecins, la vérification des connaissances est quotidienne

Pour les médecins, la vérification des connaissances est quotidienne

"Il me fallait une appli où tout est rassemblé"

Par What's Up Doc | 05.05.2022

Il me fallait une appli où tout est rassemblé

Il me fallait une appli où tout est rassemblé