Une équipe de chercheurs affirme avoir développé le premier système de caméra portable qui, avec l’aide de l’intelligence artificielle, détecte les erreurs potentielles dans l’administration des médicaments.
Dans un test dont les résultats ont été publiés aujourd'hui, le système vidéo a reconnu et identifié, avec une grande efficacité, quels médicaments étaient prélevés dans des environnements cliniques très fréquentés. L’IA a atteint une sensibilité de 99,6 % et une spécificité de 98,8 % dans la détection des erreurs d’échange de flacons.
Les résultats sont rapportés le 22 octobre dans npj Médecine numérique.
Le système pourrait devenir une protection essentielle, en particulier dans les salles d'opération, les unités de soins intensifs et les établissements de médecine d'urgence, a déclaré le co-auteur principal, le Dr Kelly Michaelsen, professeur adjoint d'anesthésiologie et de médecine de la douleur à la faculté de médecine de l'Université de Washington.
L’idée de pouvoir aider les patients en temps réel ou de prévenir une erreur médicamenteuse avant qu’elle ne se produise est très puissante. On peut espérer une performance à 100% mais même les humains ne peuvent pas y parvenir. Dans une enquête menée auprès de plus de 100 prestataires d'anesthésie, la majorité souhaitait que le système soit précis à plus de 95 %, ce qui est un objectif que nous avons atteint. »
Dr Kelly Michaelsen, professeur adjoint d'anesthésiologie et de médecine de la douleur, faculté de médecine de l'Université de Washington
Les erreurs d’administration de médicaments sont les incidents critiques les plus fréquemment signalés en anesthésie et la cause la plus fréquente d’erreurs médicales graves en soins intensifs. Dans l’ensemble, on estime que 5 à 10 % de tous les médicaments administrés sont associés à des erreurs. On estime que les événements indésirables associés aux médicaments injectables affectent 1,2 million de patients chaque année, pour un coût de 5,1 milliards de dollars.
Les erreurs d’échange de seringues et de flacons se produisent le plus souvent lors d’injections intraveineuses au cours desquelles un clinicien doit transférer le médicament du flacon à la seringue jusqu’au patient. Environ 20 % des erreurs sont des erreurs de substitution dans lesquelles le mauvais flacon est sélectionné ou une seringue est mal étiquetée. Un autre 20 % des erreurs se produisent lorsque le médicament est correctement étiqueté mais administré par erreur.
Des mesures de sécurité, telles qu'un système de codes-barres qui lit et confirme rapidement le contenu d'un flacon, sont en place pour se prémunir contre de tels accidents. Mais les praticiens peuvent parfois oublier cette vérification lors de situations de stress élevé, car il s'agit d'une étape supplémentaire dans leur flux de travail.
L'objectif des chercheurs était de créer un modèle d'apprentissage profond qui, associé à une caméra GoPro, soit suffisamment sophistiqué pour reconnaître le contenu des flacons cylindriques et des seringues et pour émettre un avertissement approprié avant que le médicament n'entre dans le patient.
La formation du modèle a pris des mois. Les enquêteurs ont collecté une vidéo 4K de 418 prélèvements de médicaments effectués par 13 prestataires d'anesthésiologie dans des salles d'opération où les configurations et l'éclairage variaient. La vidéo montre des cliniciens gérant des flacons et des seringues de médicaments sélectionnés. Ces extraits vidéo ont ensuite été enregistrés et le contenu des seringues et des flacons noté pour entraîner le modèle à reconnaître le contenu et les conteneurs.
Le système vidéo ne lit pas directement le texte de chaque flacon, mais recherche d'autres indices visuels : taille et forme du flacon et de la seringue, couleur du bouchon du flacon, taille d'impression de l'étiquette.
« C'était particulièrement difficile, car la personne au bloc opératoire tient une seringue et un flacon, et vous ne voyez aucun de ces objets complètement. Certaines lettres (sur la seringue et le flacon) sont recouvertes par les mains. Et les mains » Ils bougent vite. Ils font le travail. Ils ne posent pas pour la caméra « , a déclaré Shyam Gollakota, co-auteur de l'article et professeur à la Paul G. Allen School of Computer Science & Engineering de l'UW.
De plus, le modèle informatique a dû être entraîné pour se concentrer sur les médicaments au premier plan du cadre et ignorer les flacons et les seringues en arrière-plan.
« L'IA fait tout cela : détecter la seringue spécifique que le prestataire de soins de santé est en train de récupérer, et ne pas détecter une seringue posée sur la table », a déclaré Gollakota.
Ce travail montre que l’IA et l’apprentissage profond ont le potentiel d’améliorer la sécurité et l’efficacité dans un certain nombre de pratiques de soins de santé. Les chercheurs commencent tout juste à en explorer le potentiel, a déclaré Michaelsen.
L'étude a également inclus des chercheurs de l'Université Carnegie Mellon et de l'Université Makerere en Ouganda. L'Institut de recherche Toyota a construit et testé le système.
La Washington Research Foundation, la Foundation for Anesthesia Education and Research et une subvention des National Institutes of Health (K08GM153069) ont financé le travail.
