Aux États-Unis, aucun hôpital n’est pareil. L’équipement, le personnel, les capacités techniques et les populations de patients peuvent tous différer. Ainsi, même si les profils élaborés pour les personnes atteintes de maladies courantes peuvent sembler universels, la réalité est qu’il existe des nuances qui nécessitent une attention individuelle, tant dans la composition des patients consultés que dans la situation des hôpitaux qui les soignent.
De nouvelles recherches montrent que l’intelligence artificielle peut améliorer les soins dans leur ensemble en passant au peigne fin les données de différents hôpitaux pour créer des groupes de patients plus raffinés, similaires aux populations locales que les hôpitaux voient réellement. L’IA peut aider à identifier les besoins de soins typiques, tels que les services et équipes de soins spécifiques requis pour répondre aux besoins des patients.
Dirigé par des chercheurs de la Perelman School of Medicine de l’Université de Pennsylvanie, le projet, dont les résultats ont été publiés dans Cell Patterns, a analysé les dossiers de santé électroniques de patients atteints d’une longue COVID, révélant une collection de quatre sous-populations de patients, telles que celles avec l’asthme ou les problèmes de santé mentale – et leurs besoins spécifiques.
« Les études existantes regroupent les données de plusieurs hôpitaux mais ne parviennent pas à prendre en compte les différences dans les populations de patients, ce qui limite la capacité d’appliquer les résultats à la prise de décision locale », a déclaré Yong Chen, Ph.D., professeur de biostatistique et auteur principal de l’étude. « Notre travail offre l’avantage de connaissances plus généralisées, avec la précision d’une application spécifique à l’hôpital. »
L’équipe d’étude a utilisé une technique d’intelligence artificielle d’apprentissage automatique appelée « apprentissage par transfert latent » pour examiner les données anonymisées sur des patients atteints d’une longue maladie COVID provenant de huit hôpitaux pédiatriques différents. Grâce à cela, ils ont pu appeler quatre sous-populations de patients présentant des problèmes de santé préexistants. Ces quatre comprenaient :
- Problèmes de santé mentale, notamment l’anxiété, la dépression, les troubles du développement neurologique et le trouble déficitaire de l’attention avec hyperactivité
- Conditions chroniques atopiques/allergiques, telles que l’asthme ou les allergies
- Conditions chroniques non complexes, comme les problèmes de vision ou l’insomnie
- Conditions chroniques complexes, y compris celles associées à des troubles cardiaques ou neuromusculaires
Une fois ces sous-populations identifiées, le système a également pu suivre les soins dont les patients avaient besoin dans l’ensemble de l’hôpital, pointant vers des profils mis à jour qui permettraient aux hôpitaux de mieux répondre aux augmentations de différents types de patients.
« Sans identifier ces sous-populations distinctes, les cliniciens et les hôpitaux proposeraient probablement une approche universelle en matière de soins de suivi et de traitement », a déclaré l’auteur principal de l’étude, Qiong Wu, Ph.D., ancien chercheur postdoctoral. chercheur dans le laboratoire de Chen qui est maintenant professeur adjoint de biostatistique à l’École de santé publique de l’Université de Pittsburgh.
« Bien que cette approche unifiée puisse fonctionner pour certains patients, elle peut s’avérer insuffisante pour les sous-groupes à haut risque qui nécessitent des soins plus spécialisés. Par exemple, notre étude a révélé que les patients atteints de maladies chroniques complexes connaissent les augmentations les plus significatives des visites à l’hôpital et aux urgences. »
Le système d’apprentissage par transfert latent a directement mis en évidence les effets que ces populations ont eu sur les hôpitaux, indiquant exactement où les ressources devraient être allouées.
Si le système d’apprentissage automatique avait été en place vers mars 2020, Wu pense qu’il aurait pu fournir des informations clés pour atténuer certains des effets de la pandémie, notamment en concentrant les ressources et les soins sur les groupes les plus susceptibles d’en avoir besoin.
« Cela aurait permis à chaque hôpital de mieux anticiper les besoins en lits de soins intensifs, en ventilateurs ou en personnel spécialisé, contribuant ainsi à équilibrer les ressources entre les soins du COVID-19 et d’autres services essentiels », a déclaré Wu. « En outre, dans les premiers stades de la pandémie, l’apprentissage collaboratif entre hôpitaux aurait été particulièrement précieux, en résolvant les problèmes de rareté des données tout en adaptant les informations aux besoins uniques de chaque hôpital. »
En regardant les crises passées telles que la pandémie de COVID-19 et ses conséquences, le système d’IA développé par Wu, Chen et leur équipe pourrait aider les hôpitaux à gérer des maladies beaucoup plus courantes.
« Les maladies chroniques comme le diabète, les maladies cardiaques et l’asthme présentent souvent des variations significatives entre les hôpitaux en raison des différences dans les ressources disponibles, la démographie des patients et les charges de santé régionales », a déclaré Wu.
Les chercheurs pensent que le système qu’ils ont développé pourrait être mis en œuvre dans de nombreux hôpitaux et systèmes de santé, ne nécessitant qu’une infrastructure de partage de données « relativement simple », selon Wu. Même les hôpitaux qui ne sont pas en mesure d’intégrer activement l’apprentissage automatique pourraient en bénéficier grâce au partage d’informations.
« En utilisant les résultats partagés par les hôpitaux en réseau, cela leur permettrait d’acquérir des informations précieuses », a déclaré Wu.
