211service.com
Apprentissage automatique et prédiction des risques en soins intensifs
L'unité de soins intensifs (USI) est l'une des salles les plus riches en données d'un hôpital, mais les informations transmises par les moniteurs cardiaques, les ventilateurs et les capteurs de pression ne sont généralement pas intégrées et analysées pour permettre une meilleure compréhension de l'état du patient. Pour changer cela, la startup de la région de Boston Étiométrie construit un système d'aide à la décision clinique capable d'interpréter de grands volumes de données de patients en temps réel et de fournir aux médecins une vue instantanée des informations exploitables.
Les fondateurs d'Etiométrie, dont certains étaient d'anciens ingénieurs en guidage de navigation aérospatiale, ont été inspirés par ce qu'ils considéraient comme un manque de contrôle ou d'analyse des systèmes pour les données des patients et un manque encore plus grand d'outils pour aider les médecins à prendre des décisions. Vous avez toutes ces données générées dans l'unité de soins intensifs, mais vous n'avez pas de technologie qui fait quoi que ce soit avec, explique Dimitar Baronov, vice-président et directeur de la technologie chez Etiométrie. La seule chose que vous avez, c'est l'expertise humaine et la formation. L'analyse pourrait aider les médecins à interpréter leurs données, leur permettant en fin de compte de prendre de meilleures décisions, d'intervenir plus rapidement et de détecter les événements indésirables avant qu'ils ne surviennent, a déclaré le président et chef de la direction Evan Butler.
Les outils d'aide à la décision clinique guident les diagnostics et les traitements en connectant les données des patients à des modèles prédictifs qui ont été construits sur les résultats antérieurs des patients. Les idées qui sous-tendent l'aide à la décision ne sont pas nouvelles : pendant des décennies, les chercheurs ont essayé d'intégrer à l'hôpital des outils informatiques pouvant aider les médecins à prendre des décisions liées aux diagnostics et au traitement des patients. De grandes entreprises telles que Siemens et Philips offrir des produits qui alertent les cliniciens des premiers signes d'une santé défaillante d'un patient, et des organismes de recherche tels que Laboratoire Draper développent des programmes similaires d'aide à la décision en temps réel.
Mais la complexité de la biologie humaine et la lente adoption des dossiers électroniques par les hôpitaux ont retardé la technologie. Une grande variabilité existe entre les patients, dit Doyen Sittig , chercheur en systèmes d'information clinique au Centre des sciences de la santé de l'Université du Texas à Houston, de sorte qu'une fréquence cardiaque normale pour une personne pourrait être proche de la mort pour une autre. De plus, la perspective d'un ordinateur est limitée. Un ordinateur examine généralement un petit aspect du problème du patient mais ne saisit pas le contexte, explique Sittig. Un médecin expert peut comprendre l'énorme image de ce qui se passe avec un patient.
Un autre défi a été la prédominance du stockage de données sur papier, qui a limité la quantité de données disponibles pour les chercheurs essayant d'utiliser l'apprentissage automatique pour créer de meilleurs modèles de soins aux patients. En règle générale, la plupart des hôpitaux stockent les données sur les machines de soins intensifs pendant environ 72 heures, puis les jettent, explique Butler. Au cours des dernières années, ce qui a vraiment permis à notre technologie, c'est que d'autres entreprises viennent dans les hôpitaux et enregistrent toutes les données.
L'utilisation de ces grandes collections de données pour améliorer la modélisation prédictive est une notion puissante, déclare Pierre Szolovits , chef du groupe de prise de décision clinique au laboratoire d'informatique et d'intelligence artificielle du MIT. Si les modèles sont suffisamment précis, vous pouvez les utiliser lorsque vous essayez de décider entre différents traitements pour un patient. De tels modèles, formés sur des données de patients réels, pourraient indiquer aux médecins quels seraient les différents résultats prévus pour chaque option de traitement et le degré d'incertitude associé à chaque prédiction.
La technologie d'Etiométrie présente ces informations dans une interface conviviale qui permet aux médecins de voir rapidement quels patients en soins intensifs sont à risque d'événements indésirables, puis d'examiner de plus près tous les patients à risque, en examinant une liste détaillée d'événements potentiels et la probabilité qu'ils qui va se passer. L'équipe affirme que son cadre peut interpréter toutes les données des patients générées dans une unité de soins intensifs, des données instantanées, telles que la fréquence cardiaque, aux données collectées sur plusieurs heures, telles que les analyses de sang.
La société s'est concentrée sur les unités de soins intensifs pédiatriques, en utilisant l'apprentissage automatique pour créer des algorithmes à partir des données rétrospectives qu'elle a reçues du Boston Children's Hospital, du Toronto Hospital for Sick Children et d'autres centres. Il prévoit de commencer les tests avec des données en temps réel l'année prochaine.