Un modèle d'intelligence artificielle (IA) a amélioré les résultats chez les patients hospitalisés en quadruplant le taux de détection et le traitement du délire. Le modèle identifie les patients à haut risque de délire et alerte une équipe spécialement formée pour évaluer le patient et créer un plan de traitement, si nécessaire.
Le modèle, développé par des chercheurs de l'École de médecine de l'ICAHN du mont Sinaï, a été intégré aux opérations hospitalières, aidant les prestataires de soins de santé à identifier et à gérer le délire, une condition qui peut affecter jusqu'à un tiers des patients hospitalisés.
L'étude, la première à montrer qu'un modèle d'attribution à risque de délire alimenté en AI peut non seulement bien performer en laboratoire, mais également offrir des avantages réels dans la pratique clinique, a été publié dans le numéro en ligne du 7 mai 2025 de Jama Network Open (https: // doi: 10.1001 / Jamanetworkopen.2025.8874).
Le délire est un état de confusion soudain et sévère qui comporte des risques potentiellement mortels et est souvent non détecté chez les patients hospitalisés. Sans traitement, il peut prolonger les séjours à l'hôpital, augmenter le risque de mortalité et aggraver les résultats à long terme. Jusqu'à présent, les modèles de prédiction de délire dirigés par l'IA ont eu du mal à démontrer des améliorations tangibles dans les soins aux patients, disent les enquêteurs.
La motivation derrière notre étude au mont Sinaï était claire. Les modèles actuels de prédiction de délire basés sur l'IA n'ont pas encore montré des avantages réels pour les soins aux patients. Nous voulions changer cela en créant un modèle qui calcule avec précision le risque de délire en temps réel et s'intègre en douceur dans les flux de travail cliniques, aidant le personnel hospitalier à attraper et à traiter plus de patients atteints de délire qui pourraient autrement être négligés. «
Joseph Friedman, MD, fondateur, directeur des services de délire du système de santé du mont Sinai et professeur de psychiatrie, et neurosciences, Icahn School of Medicine de Mount Sinai et auteur de l'étude correspondante senior
Plutôt que de construire un modèle d'IA isolément et de le tester plus tard dans les hôpitaux, l'équipe de recherche a travaillé en étroite collaboration avec les cliniciens du mont Sinaï et le personnel de l'hôpital depuis le début. Cette approche «intégration verticale» leur a permis d'affiner le modèle en temps réel, garantissant qu'il était à la fois efficace et pratique pour une utilisation clinique.
Lorsqu'elle est déployée à Mount Sinaï, le modèle AI a considérablement amélioré la détection du délire, ce qui a entraîné:
• Une augmentation de 400% des cas identifiés sans augmenter le temps passé à dépister les patients
• prescription plus sûre en réduisant l'utilisation de médicaments potentiellement inappropriés chez les personnes âgées
• Performance solide et fiable dans un hôpital réel
Dans leur étude, qui a impliqué plus de 32 000 patients admis à l'hôpital Mount Sinai à New York, les chercheurs ont utilisé le modèle d'IA pour analyser une combinaison de données structurées et de notes des cliniciens des dossiers de santé électroniques. Il a utilisé l'apprentissage automatique pour identifier les modèles de données du graphique associés à un risque élevé de délire et un traitement appliqué en langage naturel pour identifier les modèles du langage des notes de graphique écrites par le personnel de l'hôpital. Cette approche capture les observations du personnel des changements subtils de l'état mental chez les patients délicieux ou à risque accru. Un membre du personnel qui rédige une note peut ne pas être conscient à ce moment-là que ses observations cliniques contribuent à améliorer la précision du modèle d'IA.
Notamment, le modèle a été testé dans une population de patients très diversifiée avec un large éventail de conditions médicales et chirurgicales plus larges que les groupes étroits généralement inclus dans les études de modèles de prédiction de risque de délire basés sur l'apprentissage automatique.
L'outil a considérablement amélioré les taux de détection mensuels du délire de 4,4 à 17,2 pour cent pour une intervention antérieure. Les patients identifiés ont également reçu des doses plus faibles de médicaments sédatifs, potentiellement réduit les effets secondaires et améliorant les soins globaux.
« Notre modèle ne veut pas remplacer les médecins – il s'agit de leur donner un outil puissant pour rationaliser leur travail », explique le Dr Friedman. « En faisant du levage de l'analyse de grandes quantités de données sur les patients, notre approche d'apprentissage automatique permet aux prestataires de soins de santé de concentrer leur expertise sur le diagnostic et le traitement des patients plus efficacement et avec une plus grande précision. »
Bien que le modèle d'IA ait donné des résultats solides à l'hôpital Mount Sinai et que des tests soient en cours à d'autres emplacements du mont Sinaï, une validation sera nécessaire dans d'autres systèmes hospitaliers pour évaluer ses performances dans différents contextes et s'adapter si nécessaire.
« Cette recherche démontre les sauts quantiques que nous atteignons en construisant une aide à la décision clinique basée sur l'IA dans les opérations hospitalières. Nous améliorons la sécurité et les résultats des patients en amenant la bonne équipe au bon patient au bon moment afin que les patients reçoivent des soins spécialisés adaptés à leurs besoins », le co-auteur de l'étude David Sinai Hôpital. « Pour devenir un système de santé d'apprentissage, nous devons poursuivre cette voie de développement, de test, de déploiement et de réglage fin des outils AI qui sont intégrés de manière transparente dans les flux de travail de santé. Auparavant, nous avons constaté que l'aide à la décision clinique de l'IA fonctionne pour s'attaquer à la malnutrition et à la détérioration clinique, où le mont Sinai a réduit les efforts d'hôpital en temps réel.
L'article est intitulé «Modèle de modèle multimodal d'apprentissage automatique pour la stratification du risque de délire».
Les auteurs de l'étude, répertoriés dans la revue, sont Joseph I. Friedman, MD; Prathamesh Parchure, MSc; Fu-Yuan Cheng, MS; Weijia Fu, MS; Satyanarayana Cheertirala, MS; Prem Timsina, SCD; Ganesh Raut, MS; Katherine Reina, DNP; Josiane Joseph-Jimerson, DNP; Madhu Mazumdar, PhD; Robert Freeman, DNP; David L. Reich, MD; et Arash Kia, MD.
