Un nouveau modèle d’IA peut améliorer les soins et les résultats des patients hospitalisés

Geralt / Pixabay

Source: Geralt / Pixabay

Les scientifiques trouvent de plus en plus de moyens d’appliquer les capacités prédictives de l’apprentissage automatique de l’intelligence artificielle (IA) dans les domaines de la santé, des sciences de la vie et de la médecine. Dans une étude récente publiée dans le Journal de l’American Medical Informatics Association, les chercheurs utilisent l’apprentissage automatique de l’IA et les dossiers de santé électroniques pour prédire les personnes à risque de blessures de pression avec une grande précision.

Lorsqu’une zone de la peau est blessée en raison de la force exercée sur la surface de la peau, cela s’appelle une blessure de pression. Les autres noms de cette condition sont les escarres, les escarres de décubitus et les escarres selon la Cleveland Clinic. Une escarre est un nom plus familier pour une blessure de pression. La cause de ce type de blessure peut être due à une pression constante sur la peau, généralement sur les parties osseuses du corps telles que le coccyx, les hanches, les coudes, la tête, les talons et les chevilles. Une autre cause peut être due à une force de cisaillement ou de frottement entre la peau et une autre surface, par exemple lorsqu’un patient se déplace dans un fauteuil roulant.

Chaque année, 2,5 millions de patients sont touchés par des lésions de pression entraînant environ 60000 décès, plus de 17000 poursuites et des coûts allant de 9,1 à 11,6 milliards USD selon les statistiques de l’Agence pour la recherche et la qualité des soins de santé du département américain de la Santé et des Services sociaux. . Prendre soin des blessures de pression coûte cher. Le coût par escarre pour un patient peut varier de 20 900 USD à 151 700 USD selon l’agence.

«Les lésions de pression contribuent négativement à la morbidité, à la mortalité et à la qualité de vie physique et psychosociale d’un individu», ont écrit les chercheurs Wenyu Song, Min-Jeoung Kang, David Bates et Patricia Dykes au Brigham and Women’s Hospital de Boston, Massachusetts, en collaboration avec Linying Zhang et Jiyoun Song à l’Université de Columbia et Wonkyung Jung à l’Université de Washington. «Ils sont également chers. Les lésions de pression augmentent la durée du séjour à l’hôpital de 4 à 10 jours et le coût total des soins de santé de 10 708 dollars par patient, soit environ 26,8 milliards de dollars par an. »

Les chercheurs ont entrepris de créer un modèle prédictif utilisant l’apprentissage automatique de l’IA et des phénotypes à partir de données de dossiers de santé électroniques qui incluent des évaluations complètes par les infirmières. Les données utilisées provenaient de plus de 188500 dossiers cliniques d’hospitalisation anonymisés de cinq hôpitaux du Mass General Brigham couvrant la période 2015-2018.

L’équipe a créé une liste de caractéristiques à partir de la littérature scientifique et l’a examinée par des experts du domaine clinique, puis l’a validée par rapport à la base de données Communicating Narrative Concerns Entered by RNs (CONCERN), ce qui a abouti à une cohorte de 9 148 patients.

Les chercheurs ont regroupé les dix principales caractéristiques cliniquement significatives en trois catégories: évaluation neurologique de l’échelle et de la conscience du coma de Glasgow, mobilité physique pour la marche / transfert, activité et lésion de la moelle épinière, et panel de chimie du sang pour l’albumine, l’hémoglobine, l’azote uréique sanguin, le chlorure et la créatine.

Ensuite, les chercheurs ont créé quatre modèles de prédiction des lésions de pression en utilisant les fonctionnalités de régression logistique (LR), de machines vectorielles de soutien (SVM), de forêt aléatoire (RF) et d’algorithmes de réseau neuronal. Le réseau de neurones a été implémenté à l’aide de la bibliothèque Keras en Python, et les trois algorithmes restants ont utilisé la bibliothèque Scikit-Learn en Python.

Les chercheurs ont constaté que la régression logistique était surperformée par les trois autres modèles d’apprentissage automatique et que le modèle de forêt aléatoire atteignait la plus haute zone sous la courbe (AUC), une mesure largement utilisée pour l’évaluation des performances d’un modèle de classification de l’IA. Selon les chercheurs, leur modèle d’apprentissage automatique de la forêt aléatoire a atteint 94% d’AUC sur la base d’une validation croisée en cinq fois.

«Notre ASC était supérieure à 90% et pourrait être utilisée comme outil de prédiction dans la pratique clinique et comme modèle de référence dans les futures études sur les lésions de pression», ont conclu les chercheurs. «Nos modèles dérivés à la fois d’événements de lésions de pression acquises en milieu hospitalier et non hospitalier pourraient fournir des informations précieuses aux cliniciens et aux infirmières pour faciliter la prévention précoce de ces types distincts de lésions de pression. La relation étroite entre les caractéristiques d’évaluation infirmière et la survenue de lésions de pression révélées dans nos résultats pourrait également aider les infirmières à identifier les patients hospitalisés à haut risque et à orienter les interventions préventives adaptées.

Copyright © 2021 Cami Rosso Tous droits réservés.