Les conseils sur l’IA pour les cliniciens visant à réduire la propagation de Clostridioides difficile – une bactérie qui peut être mortelle pour les patients malades – a été déployé pour la première fois en milieu hospitalier, selon une étude dirigée par l’Université du Michigan publiée dans Jama Network Open.
Le nouveau protocole a réduit de manière significative les prescriptions d’antibiotiques, un facteur qui augmente le risque d’infection pour les patients vulnérables, avec 10% à 15% de jours en moins sur les antimicrobiens. Surtout, la réduction des jours sur les antimicrobiens n’a pas augmenté en durée de séjour, au taux de réadmission ou à la mortalité. L’incidence de C. difficile a tendance à la baisse pendant l’étude, mais n’a pas atteint la signification statistique.
« Le côté technique de l’informatique a toujours été quelque chose que j’aime, mais c’est le potentiel d’impact qui me fait avancer. Il est gratifiant de voir un algorithme devenir quelque chose avec un impact mesurable au chevet », a déclaré Jenna Wiens, professeur agrégé d’informatique et d’ingénierie à UM et auteur principal de l’étude.
En dehors du corps, C. difficile forme des spores qui peuvent rester sur des surfaces pendant des mois. Le microbe tenace qui provoque une diarrhée sévère et une inflammation intestinale est résistant à de nombreux produits de nettoyage, y compris un désinfectant pour les mains à base d’alcool. Ceci, ainsi que la disponibilité des hôtes malades, rendent C. difficile particulièrement dangereux en milieu hospitalier.
En particulier, les patients hospitaliers prenant des antibiotiques sont dix fois plus susceptibles d’obtenir une infection à C. difficile, car les médicaments anéantissent les microbes indigènes dans l’intestin, qui constituent normalement une barrière contre les envahisseurs tels que C. difficile.
Arriver à ce point de mesure l’impact clinique a été dix ans. Dans les premiers stades, l’équipe de recherche a construit un modèle prédictif pour identifier quels patients courent le plus grand risque d’infection à C. difficile en utilisant les dossiers hospitaliers antérieurs.
Le modèle d’apprentissage automatique s’est formé sur des facteurs, notamment les médicaments, les résultats du laboratoire, les hospitalisations précédentes, les comorbidités, la démographie et même la proximité avec d’autres patients infectés de l’hôpital. Appliqués à un nouvel ensemble de patients jamais vus, les prédictions alignées sur le vrai risque de patient, prouvant que le modèle fonctionnait. L’approche a à nouveau résisté lorsqu’un modèle a été formé spécifiquement pour Michigan Medicine, le Academic Medical Center affilié à l’Université du Michigan.
En faisant une autre étape vers l’application, une étude de validation prospective en 2022 a utilisé le modèle pour estimer le risque en temps réel dans deux centres médicaux universitaires, Michigan Medicine et Massachusetts General Hospital, puis a évalué les patients infectés.
Le succès du modèle a incité l’équipe de recherche à travailler vers un bundle de prévention des infections qui pourrait donner aux cliniciens des prévisions de risques en temps réel et des recommandations systématiques, communiquées par le biais de dossiers de santé électroniques. Une équipe comprenant des ingénieurs, des cliniciens et du personnel hospitalier a développé l’approche avec plusieurs angles d’attaque.
« Bien que j’avais prévu des défis pour naviguer dans les différents comités hospitaliers nécessaires pour obtenir l’approbation du projet, j’ai été agréablement surpris par l’engagement et l’enthousiasme que j’ai observés dans les équipes médicales, qui ne devraient pas être tenues pour acquises lorsque je demande aux gens de changer leur fonctionnement et leur co-autorou
Les cliniciens d’orientation reçus comprenaient la mise en œuvre de protocoles de lavage des mains – exposant le lavage des mains avec du savon et de l’eau avant d’entrer dans la pièce, réduisant l’utilisation d’antibiotiques à haut risque et testant les allergies à la pénicilline. De nombreux patients étiquetés comme allergiques à la pénicilline perdent en fait l’allergie au fil du temps, ouvrant une nouvelle classe d’antibiotiques qui réduit le risque du patient pour obtenir une infection pardifficile.
« Les pharmaciens étaient très conscients des patients vulnérables.
« Tous les prestataires avec lesquels j’ai travaillé au cours de ce projet ont eu une expérience de première main dans le traitement des patients atteints d’infection à C. difficile et l’impact horrible qu’il a sur la vie, et a voulu aider de la manière qu’ils pouvaient s’ils seraient bénéfiques », a déclaré Rao.
Une équipe d’infirmières en soins intensifs a même mis en œuvre une utilisation inattendue pour le score de risque des patients dans son propre flux de travail. Lors de l’attribution de chambres, l’infirmière d’accusation a assuré qu’une infirmière soignante pour un patient infecté une infection active n’a pas également été affectée à un patient à haut risque.
L’équipe de recherche a comparé la période d’intervention d’un an avec une période pré-AI pour évaluer les changements. L’incidence de C. difficile a tendance à baisser de 5,76 pour 10 000 jours de patient à 5,65, mais n’a pas réduit suffisamment pour obtenir une signification statistique. Les prescriptions d’antibiotiques ont considérablement réduit de 10% à 15% de jours en moins sur les antimicrobiens.
« Il va sans dire – mais je le dirai quand même – qu’il faut vraiment une équipe. J’ai eu le privilège de travailler avec une équipe interdisciplinaire aussi dévouée sur un problème avec un ancien étudiant du monde, et je suis fier de ce que nous avons accompli », a déclaré Shengpu Tang, un ancien doctorant UM, maintenant professeur adjoint de l’informatique à l’Université Emory et de la première auteur de l’étude.
« Chez Emory, j’ai hâte de poursuivre cette ligne de travail et d’explorer les façons innovantes que l’IA peut aider à améliorer les soins aux patients », a ajouté Tang.
Alors que Wiens est en train de remettre le projet de surveillance de C. difficile sur Michigan Medicine, elle attend avec impatience les futurs projets de modélisation d’IA travaillant vers des solutions de soins de santé.
