Les médecins doivent souvent prendre des décisions critiques en quelques minutes, en s’appuyant sur des informations incomplètes. Bien que les dossiers de santé électroniques contiennent de grandes quantités de données sur les patients, une grande partie reste difficile à interpréter rapidement, en particulier pour les patients atteints de maladies rares ou de symptômes inhabituels.
Aujourd’hui, des chercheurs de l’École de médecine Icahn du Mont Sinaï et leurs collaborateurs ont développé un système d’intelligence artificielle, appelé InfEHR, qui relie des événements médicaux non connectés au fil du temps, créant ainsi un réseau de diagnostic révélant des modèles cachés. Publié dans le numéro en ligne du 26 septembre de Communications naturellesl'étude montre que l'inférence sur les dossiers de santé électroniques (InfEHR) transforme des millions de points de données dispersés en informations diagnostiques exploitables et spécifiques au patient.
Nous avons été intrigués par la fréquence à laquelle le système a redécouvert des schémas que les cliniciens soupçonnaient mais ne pouvaient pas agir parce que les preuves n'étaient pas entièrement établies. En quantifiant ces intuitions, InfEHR nous donne un moyen de valider ce qui n'était auparavant qu'une intuition et ouvre la porte à des découvertes entièrement nouvelles.
Girish N. Nadkarni, MD, MPH, auteur correspondant principal, Président du Département d'intelligence artificielle et de santé humaine de Windreich, directeur de l'Institut Hasso Plattner pour la santé numérique, professeur de médecine Irene et Dr Arthur M. Fishberg à l'École de médecine Icahn de Mount Sinai et directeur de l'IA du système de santé de Mount Sinai
La plupart des intelligences artificielles (IA) médicales, aussi avancées soient-elles, appliquent le même processus de diagnostic à chaque patient. InfEHR fonctionne différemment en adaptant son analyse à chaque individu. Le système construit un réseau à partir des événements médicaux spécifiques d'un patient et de leurs connexions au fil du temps, lui permettant non seulement de fournir des réponses personnalisées, mais également de poser des questions personnalisées. En adaptant à la fois ce qu'il recherche et son apparence, InfEHR met à portée de main des diagnostics personnalisés, affirment les enquêteurs.
Dans l’étude, InfEHR a analysé les dossiers électroniques anonymisés et protégés de la confidentialité de deux systèmes hospitaliers (Mount Sinai à New York et UC Irvine en Californie). Les enquêteurs ont transformé le calendrier médical de chaque patient (visites médicales, tests de laboratoire, médicaments, signes vitaux) en un réseau montrant comment les événements se connectaient au fil du temps. L’IA a étudié bon nombre de ces réseaux pour découvrir quelles combinaisons d’indices ont tendance à apparaître lorsqu’une condition cachée est présente.
Avec un petit ensemble d’exemples confirmés par des médecins pour le calibrer, le système a vérifié s’il pouvait détecter correctement deux problèmes réels : les nouveau-nés qui développent une septicémie malgré des hémocultures négatives et les patients qui développent une lésion rénale après une intervention chirurgicale. Ses performances dans l'identification des patients avec le diagnostic ont été comparées aux règles cliniques actuelles et validées dans les deux hôpitaux. Notamment, le système pourrait également signaler lorsque l'enregistrement manquait d'informations suffisantes, ce qui lui permettrait de répondre « pas sûr » par mesure de sécurité.
L’étude a révélé que l’InfEHR peut détecter des modèles de maladies invisibles lors de l’examen de données isolées. Pour le sepsis néonatal sans hémocultures positives – une maladie rare et potentiellement mortelle – l'InfEHR était 12 à 16 fois plus susceptible d'identifier les nourrissons affectés que les méthodes actuelles. Pour les lésions rénales postopératoires, le système a signalé les patients à risque 4 à 7 fois plus efficacement. Il est important de noter qu’InfEHR y est parvenu sans avoir besoin de grandes quantités de données de formation, en apprenant directement des dossiers des patients et en s’adaptant aux hôpitaux et aux populations.
« L'IA traditionnelle demande : « Ce patient ressemble-t-il à d'autres personnes atteintes de la maladie ? » InfEHR adopte une approche différente : « La trajectoire médicale unique de ce patient pourrait-elle résulter d'un processus pathologique sous-jacent ? C'est la différence entre simplement faire correspondre des modèles et découvrir la causalité », explique l'auteur principal Justin Kauffman, MS, scientifique principal des données au département Windreich d'intelligence artificielle et de santé humaine de l'école de médecine Icahn.
Il est important de noter qu’InfEHR indique à quel point il est confiant dans ses prévisions. Contrairement à d'autres IA qui peuvent donner une mauvaise réponse avec certitude, InfEHR sait quand dire « je ne sais pas » – un élément de sécurité clé pour une utilisation clinique réelle, affirment les enquêteurs.
L'équipe met le codage d'InfEHR à la disposition d'autres chercheurs tout en continuant à étudier les utilisations du système. Par exemple, l’équipe explorera ensuite comment InfEHR pourrait personnaliser les décisions de traitement en apprenant des données des essais cliniques et en étendant ces informations aux patients dont les caractéristiques ou symptômes spécifiques n’étaient pas entièrement représentés dans les essais originaux.
« Les essais cliniques se concentrent souvent sur des populations spécifiques, tandis que les médecins s'occupent de chaque patient », explique M. Kauffman. « Notre approche probabiliste aide à combler cet écart, en permettant aux cliniciens de voir plus facilement quels résultats de recherche s'appliquent réellement au patient devant eux. »
L'article s'intitule « InfEHR : Résolution du phénotype clinique grâce à un apprentissage géométrique profond sur les dossiers de santé électroniques ». Les auteurs de l'étude, tels que répertoriés dans la revue, sont Justin Kauffman, Emma Holmes, Akhil Vaid, Alexander W. Charney, Patricia Kovatch, Joshua Lampert, Ankit Sakhuja, Marinka Zitnik, Benjamin S. Glicksberg, Ira Hofer et Girish N. Nadkarni.
Ce travail a été soutenu en partie par la subvention UL1TR004419 des National Institutes of Health et par la subvention UL1TR004419 des prix des sciences cliniques et translationnelles du National Center for Advancing Translational Sciences. La recherche rapportée dans cette publication a également été soutenue par le Bureau de l'infrastructure de recherche des National Institutes of Health dans le cadre des récompenses S10OD026880 et S10OD030463.
