Explosion des données de santé électroniques
Les données de santé électroniques ont explosé depuis 2008 aux USA : 9,4% des hôpitaux avaient rendu les données digitales en 2008 contre 83,8% en 2015.
En France, le Health Data Hub a été lancé fin novembre 2019. Ce Hub doit regrouper toutes les données issues des organismes publics de santé français tels que l’Assurance maladie et les hôpitaux. Ces données doivent servir à entraîner de nouveaux algorithmes qui permettrons de meilleurs diagnostics et de meilleurs traitements mais également d’optimiser la prise en charge des patients aux Urgences.
Les chercheurs et les practiciens français devront prendre exemples sur des projets pragmatiques comme ceux pilotés par David Sontag et ses équipes du Clinical Machine Learning Group au MIT.
Health Data Hub : plateforme de données de santé française
L’ IA pour poser un diagnostic et proposer un protocole de soin aux Urgences
« L’objectif est de jeter les bases de la prochaine génération de dossiers de santé électroniques intelligents, dans lesquels l’intelligence artificielle est intégrée pour faciliter le diagnostic médical, personnaliser les suggestions de traitement, rendre la documentation plus rapide et de meilleure qualité et prévoir les événements indésirables avant qu’ils ne se produisent. » David Sontag
A partir des données numériques suivantes, David Sontag a entraîné des algorithmes capables de diagnostiquer les pathologies les plus courrantes aux Urgences. Cet algorithme a alimenté une application web de diagnostics mises à disposition des urgentistes.
- Données sur l’âge et le sexe du patient (jaune et orange clair)
- Données sur les médicaments pris par le patient (orange foncé)
- Données sur les traitements données aux urgences (en gris)
- Notes prises au triages par les urgentistes (en bleues)
Les données sont à la fois structurées et non structurée (les notes en bleues) d’où l’avantage selon David Sontag d’utiliser le Machine Learning pour traiter et automatiser le traitement des données non structurées.
Via une interface Web, le résultat du diagnostic est utilisé pour guider les soins aux urgences. Liberté est laissée aux praticiens de choisir un autre protocole de soin que celui induit par l’algorithme.
L’IA pour augmenter la productivité du triage aux Urgences
L’équipe de David Sontag utilise l’intelligence artificielle pour développer des systèmes d’auto-complétion qui permettent aux infirmières au triage de renseigner plus vite et avec plus de précision les pathologies expliquant la venue des patients aux Urgences.
Un algorithme effectue des prédictions en fonction des constantes saisies à l’arrivée aux urgences et le dossier médical du patient. Ces prédictions sont proposées dans un mode “auto-complété” pour saisir le motif de visite aux urgences. La possibilité est donnée aux soignants de choisir la proposition suggérée ou de saisir eux-même les raisons d’admission aux Urgences.
Le résulat de l’expérimentation de système d’auto-complétion est une augmentation de la saisie de données structurées donc de meilleure qualité. L’adoption d’une web application reposant sur l’IA a permis un gain de productivité dans la saisie administrative. Les approches de l’équipe de David Sontag sont connectées aux procédures suivies par les urgentistes sur le terrain. Elles sont intéressantes car elles n’imposent pas le dictact des algorithmes mais mettent ceux-ci au service de procédures déjà existantes en conservant le libre arbitre des praticiens.
L’essor des graphiques de connaissances pour affiner les diagnostics
Les dossiers de santé numérisés sont également utilisés par les chercheurs pour créer des graphiques de connaissances causales apprenant les relations entre les maladies et les symptômes. Ces graphiques de connaissance une fois établis permettront de proposer des diagnostics et des traitements, de progresser dans la compréhension des maladies.
Voilà comment les dossiers de santés numériques sont transformés en connaissances.
1/ Extraction des données sur les maladies et les sympômes associés à partir de millions de dossiers médicaux numérisés.
2/ Utilisation du machine learning pour établir les modèles stratistiques entre les maladies et les symptômes (% d’avoir une tumeur au cerveau quand le patient à mal à la tête).
3/ Transformation des modèles statistiques en graphiques de connaissances.
L’essor des graphiques de connaissances pour faire de la prévention
Ces graphiques de connaissances peuvent aussi servir dans le cadre de la prévention contre le cancer. Des chercheurs ont choisi d’utiliser la puissance du Machine Learning pour aider à évaluer un total de 7 962 composés biologiquement actifs rencontrés dans les sources alimentaires.
Ces molécules ont été compilées dans une base de données et introduites dans un algorithme, qui a déterminé que parmi ces composés, 110 molécules semblaient avoir des propriétés anti-cancéreuses.
Grâce à leurs conclusions, les chercheurs ont ensuite établi un graphique de connaissances qui montre la valeur de différents aliments en fonction de leur potentiel anticancéreux.
Sur le graphique de connaissance, chaque nœud circulaire représente un aliment particulier ; plus le cercle est grand, plus l’aliment contient de molécules anticancéreuses. Les lignes d’interconnexion entre les nœuds montrent quand les aliments connectés contiennent une gamme similaire de molécules.
Index
Article écrit à partir de cette vidéo : Lightning Talk: AI-Powered Electronic Medical Records (David Sontag)
En savoir plus sur les graphiques de connaissance
Graphiques de connaissance et médecine
