En utilisant l’intelligence artificielle, les chercheurs méthodistes de Houston sont en mesure de prédire les résultats d’hospitalisation des patients gériatriques atteints de démence le premier ou le deuxième jour d’admission à l’hôpital. Cette évaluation précoce des résultats signifie des interventions plus rapides, une meilleure coordination des soins, une allocation plus judicieuse des ressources, une gestion des soins ciblée et un traitement rapide pour ces patients plus vulnérables et à haut risque.
Parce que les patients gériatriques atteints de démence ont des séjours hospitaliers plus longs et encourent des coûts de soins de santé plus élevés que les autres patients, l’équipe a cherché à résoudre ce problème en identifiant les facteurs de risque modifiables et en développant un modèle d’intelligence artificielle qui améliore les résultats des patients, améliore leur qualité de vie et réduit leur risque de réadmission à l’hôpital, ainsi que la réduction des coûts d’hospitalisation une fois le modèle mis en pratique.
L’étude, publiée en ligne le 29 septembre dans Alzheimer & Démence : Recherche translationnelle et interventions cliniques, un journal de l’Association Alzheimer, a examiné les dossiers hospitaliers de 8 407 patients gériatriques atteints de démence sur 10 ans au sein du système de huit hôpitaux de Houston Methodist, identifiant les facteurs de risque de mauvais résultats parmi les sous-groupes de patients atteints de différents types de démence qui découlent de maladies telles que Alzheimer, Parkinson, démence vasculaire et Huntington, entre autres. À partir de ces données, les chercheurs ont développé un modèle d’apprentissage automatique pour reconnaître rapidement les facteurs de risque prédictifs et leur importance classée pour les résultats d’hospitalisation indésirables au début du séjour à l’hôpital de ces patients.
Avec une précision de 95,6 %, leur modèle a surpassé toutes les autres méthodes courantes d’évaluation des risques pour ces multiples types de démence. Les chercheurs ajoutent qu’aucune des autres méthodes actuelles n’a appliqué l’IA pour prédire de manière exhaustive les résultats d’hospitalisation des patients âgés atteints de démence de cette manière et n’identifie pas non plus de facteurs de risque spécifiques pouvant être modifiés par des procédures cliniques ou des précautions supplémentaires pour réduire les risques.
L’étude a montré que si nous pouvons identifier les patients gériatriques atteints de démence dès qu’ils sont hospitalisés et reconnaître les facteurs de risque significatifs, nous pouvons mettre en œuvre immédiatement certaines interventions appropriées. En atténuant et en corrigeant immédiatement les facteurs de risque modifiables pour les résultats indésirables, nous sommes en mesure d’améliorer les résultats et de raccourcir leurs séjours à l’hôpital. »
Eugene C. Lai, MD, Ph.D., titulaire de la chaire de distinction Robert W. Hervey pour la recherche et le traitement de la maladie de Parkinson au département de neurologie Stanley H. Appel
Lai, neurologue, travaille depuis de nombreuses années avec ces patients et souhaitait trouver des moyens de mieux comprendre comment ils sont gérés et leur comportement lorsqu’ils sont hospitalisés, afin que les cliniciens puissent améliorer les soins et la qualité de vie pour eux. Il a approché Stephen TC Wong, Ph.D., PE, un expert en bioinformatique et directeur du TT et WF Chao Center for BRAIN à Houston Methodist, avec cette idée, car il avait déjà collaboré avec Wong et savait que son équipe avait accès au grand entrepôt de données cliniques des patients méthodistes de Houston et la possibilité d’utiliser l’IA pour analyser les mégadonnées.
Les facteurs de risque pour chaque type de démence ont été identifiés, y compris ceux qui peuvent faire l’objet d’interventions. Les principaux facteurs de risque d’hospitalisation identifiés comprenaient l’encéphalopathie, le nombre de problèmes médicaux à l’admission, les escarres, les infections des voies urinaires, les chutes, la source d’admission, l’âge, la race et l’anémie, avec plusieurs chevauchements dans les groupes de démence multiple.
En fin de compte, les chercheurs visent à mettre en œuvre des mesures d’atténuation pour guider les interventions cliniques afin de réduire ces résultats négatifs. Selon Wong, la stratégie émergente consistant à appliquer de puissantes prédictions d’IA pour déclencher la mise en œuvre de parcours cliniques « intelligents » dans les hôpitaux est nouvelle et améliorera non seulement les résultats cliniques et l’expérience des patients, mais réduira également les coûts d’hospitalisation.
« Nos prochaines étapes consisteront à mettre en œuvre le modèle d’IA validé dans une application mobile pour l’USI et le personnel hospitalier principal afin de les alerter des patients gériatriques atteints de démence qui présentent un risque élevé de mauvais résultats d’hospitalisation et de les guider sur les étapes interventionnelles pour réduire ces risques », a déclaré Wong, l’auteur correspondant de l’article et titulaire de la chaire présidentielle distinguée John S. Dunn en génie biomédical du Houston Methodist Research Institute. « Nous travaillerons avec l’informatique hospitalière pour intégrer cette application de manière transparente dans EPIC dans le cadre d’une mise en œuvre à l’échelle du système pour une utilisation clinique de routine. »
Il a déclaré que cela suivra la même stratégie de cheminement clinique intelligent sur laquelle ils ont travaillé pour intégrer deux autres nouvelles applications d’IA que son équipe a développées dans le système EPIC pour une utilisation clinique de routine afin de guider les interventions qui réduisent le risque de chute des patients avec des blessures et de mieux évaluer le sein. risque de cancer pour réduire les biopsies inutiles et les surdiagnostics.
Les collaborateurs de Wong et Lai sur cette étude étaient Xin Wang, Chika F. Ezeana, Lin Wang, Mamta Puppala, Yunjie He, Xiaohui Yu, Zheng Yin et Hong Zhao, tous avec le TT & WF Chao Center for BRAIN au Houston Methodist Academic Institute , et Yan-Siang Huang du Far Eastern Memorial Hospital à Taïwan.
Cette étude a été soutenue par des subventions des National Institutes of Health (R01AG057635 et R01AG069082), de la Fondation TT et WF Chao, de la Fondation de recherche John S. Dunn, du Houston Methodist Cornerstone Award et du Paul Richard Jeanneret Research Fund.
