Prédiction du Parcours Patient aux Urgences : 3P-U

Abstract

D'une part, les structures d'urgence sont régulièrement surchargées, conduisant à une diminution de la sécurité et de la qualité des soins : une durée moyenne de séjour plus élevée, une mortalité plus élevée, etc. À son arrivée, le patient est vu par l'Infirmier Organisateur de l'Accueil (IOA) qui collecte des informations contextuelles et cliniques pour effectuer un triage afin de prioriser la prise en charge médicale des patients. D'autre part, les modèles d'Intelligence Artificielle (IA) à apprentissage supervisés proposent de prédire une variable cible de manière rapide, reproductible, systématique et infatigable quelle que soit l'heure du jour ou de la nuit, sur la base de données explicatives.Ainsi, nous avons d'abord entraîné Prédiction du Parcours Patient aux Urgences (3P-U), un modèle d'IA basé sur un réseau de neurones profond comprenant trois couches de 128, 64, et 32 neurones, et un réseau de neurones convolusionnel utilisant les notes de l'OA, permettant de prédire de l'hospitalisation du patient à partir des données d'accueil (aire sous la courbe ROC à 83%). Nous avons effectué une revue systématique de la littérature des méthodes utilisées pour gérer les données manquantes sur des données provenant du contexte de médecine d'urgence. Sur les 72 études incluses, l'exclusion de patients contenant des données manquantes (30 publications ; 41%) était la stratégie la plus courante, suivie par l'imputation par la moyenne (17 publications ; 23%). Ensuite, basé sur les données structurées uniquement, nous avons entraîné un modèle prédictif explicable en utilisant les techniques des explications additives de Shapley et des graphes de dépendance partielle :l'âge, la fréquence cardiaque et la présentation pour de multiples traumatismes ont le plus influencé la réponse du modèle sur l'admission du patient, confirmant ainsi les mécanismes de réflexion cognitif des urgentistes. Puis, utilisé pendant la pandémie de COVID-19, 3P-U a été utilisé pour optimiser les lits : sur les 105 457 patients inclus, l'aire sous la courbe ROC était de 82% pour tous les patients et de 90% pour les patients évidents (Padmission ∈ [0; 0.2] ∪ [0.6; 1]), permettant à la cellule de crise hospitalière de coordonner la conversion des services en unités dédiées aux patients COVID-19. Enfin, vu la proposition de règlement de la Commission Européenne visant à établir des règles harmonisées concernant l'IA baptisée "Artificial Intelligence Act", nous nous posons la question de la mise en place d'un collège de garantie humaine pluriprofessionnel visant à garantir la supervision des outils d'IA de la conception au développement, au déploiement et à l'utilisation quotidienne permettra ainsi d'assurer durablement la sécurité des patients

Ähnliche Arbeiten