Utiliser l’apprentissage automatique dans le dossier médical électronique pour sauver la vie d’enfants hospitalisés
Dans un rapport publié en Médecine de soins intensifs pédiatriques, une équipe du Nationwide Children’s Hospital décrit un outil d’apprentissage automatique pour l’identification rapide des enfants hospitalisés à risque de détérioration, une détérioration de l’état clinique avec un risque accru de morbidité et de mortalité. L’outil, qui est formé sur des groupes spécifiques à la maladie, a surpassé de manière prometteuse le programme existant de connaissance de la situation dans l’identification des enfants à risque.
“Les algorithmes prédictifs axés sur l’amélioration des soins cliniques ont été de plus en plus développés au fil des ans, mais la grande majorité ne sont pas opérationnalisés. La transition de l’algorithme de l’ordinateur au chevet du patient peut être un long processus et nécessite l’engagement et la collaboration des cliniciens, des scientifiques des données et des cliniciens. informaticiens », déclare Laura Rust, MD, médecin urgentiste et informaticienne chez Nationwide Children’s et auteur principal de l’article. “Ce projet a duré plus de 5 ans, et nous sommes vraiment fiers de l’intégration réussie dans notre culture de sécurité et de l’impact sur les résultats pour les patients.”
L’indice de risque de détérioration (DRI) a été construit sur la base du programme de connaissance de la situation Watchstander, déjà utilisé à Nationwide Children’s. Pour promouvoir l’adoption, l’équipe a utilisé les mêmes mécanismes de réponse pour les alertes : évaluation du patient et réunion avec l’équipe de soins de chevet dans les 30 minutes, atténuation des risques et élaboration d’un plan d’escalade.
Les trois groupes de diagnostic – malformation cardiaque structurelle (cardiaque), oncologie (malignité), général (ni cardiaque ni malignité) – ont été utilisés pour entraîner trois modèles prédictifs distincts afin de développer les algorithmes mis en œuvre.
« L’une des caractéristiques de conception qui a aidé à établir la confiance avec les équipes cliniques est que nous n’avons pas nécessairement identifié de nouveaux critères. Notre modèle identifie simplement les critères de connaissance de la situation existants qui sont les plus importants et les pèse en conséquence », explique Tyler Gorham, scientifique des données chez IT Research & Innovation chez Nationwide Children’s et co-auteur de la publication.
Selon le Dr Rust, il peut y avoir une quantité écrasante de données cliniques dans le dossier de santé électronique à traiter à tout moment, en particulier après des transferts ou des transitions de soins. Le modèle aide à soulager cette charge cognitive en traitant automatiquement ces critères de risque en coulisses. Parce qu’il est intégré au dossier médical électronique (DME), il a l’avantage de disposer de toutes les données de tous les moments précédents, et pas seulement du quart de travail actuel.
Le DRI était 2,4 fois plus sensible que le programme de connaissance de la situation existant tout en nécessitant également 2,3 fois moins d’alarmes par événement détecté. Notamment, l’équipe a observé un gain de sensibilité quadruplé pour le groupe cardiaque et un gain triplé pour le groupe malignité. L’étude pilote après la mise en œuvre a révélé qu’au cours des 18 premiers mois, les événements de détérioration ont diminué de 77 % par rapport aux taux d’événements attendus au cours des années précédentes.
Selon les développeurs, l’aspect le plus important du modèle est peut-être sa transparence.
“Ce n’est pas une boîte noire. Nous montrons aux cliniciens ce qui se passe et comment l’algorithme évalue les données pour déclencher des alarmes”, explique Gorham. “L’outil aide à soutenir la prise de décision clinique car l’équipe clinique est en mesure de voir pourquoi une alarme a été déclenchée.”
L’équipe a également organisé des tournées de présentation, visitant des unités cliniques où l’outil serait déployé, répondant à des questions, faisant des simulations avec les équipes de soins de chevet et intégrant des commentaires.
“Chez Nationwide Children’s, nos équipes sont engagées dans une culture de sécurité Zero Hero”, déclare le Dr Rust. “Cela a fourni la base et la mission partagée de notre équipe multidisciplinaire pour voir cela jusqu’à la ligne d’arrivée.”
Plus d’informations, y compris des détails sur l’algorithme, sont disponibles dans la publication.
“Nous avons partagé notre recette dans la publication”, explique Gorham. “Si d’autres sont intéressés, ils pourraient utiliser les données de leur centre et recycler le modèle pour leurs populations locales. Si nous pouvons partager notre succès avec d’autres, nous pouvons, espérons-le, favoriser de meilleurs résultats pour tous les enfants, même ceux qui ne sont pas sous nos soins. ”
