Un nouveau modèle d'intelligence artificielle (IA) a été développé pour prédire combien de temps une personne ayant un trouble d'apprentissage est susceptible de rester à l'hôpital, offrant des informations précieuses qui pourraient améliorer les soins et la planification des ressources.
Développé par des informaticiens de l'Université de Loughborough dans le cadre du projet «Decode», le modèle vise à relever les défis des soins de santé auxquels sont confrontés les personnes ayant des troubles d'apprentissage et de multiples problèmes de santé.
Ce groupe a une espérance de vie de 20 ans de moins que la moyenne du Royaume-Uni, souvent en raison d'une santé physique et mentale plus faible et d'une plus grande probabilité d'avoir plusieurs maladies chroniques. Ces facteurs augmentent le risque de complications évitables, de la qualité de vie réduite et des séjours prolongés à l'hôpital.
Sommaire
Comment fonctionne le modèle AI
Les chercheurs de l'Université de Loughborough ont utilisé des données GP et hospitalières de plus de 9 600 patients ayant des troubles d'apprentissage et de multiples problèmes de santé pour développer un modèle d'IA capable de prédire les durées de séjour à l'hôpital dans les 24 premières heures d'admission.
« Le modèle génère des prédictions en évaluant des facteurs tels que l'âge d'un patient, les antécédents de médicaments, le mode de vie et les conditions de santé existantes », explique le professeur Georgina Cosma, expert en IA pour les soins de santé à l'Université de Loughborough et co-chercheur de décodage.
« Avec des prédictions précoces et précises, les hôpitaux peuvent planifier mieux et fournir des soins plus personnalisés, assurant un traitement équitable pour tous les patients. »
Le modèle d'IA a été testé à l'aide de l'ensemble de données sur lequel il a été formé et a été efficace à 76% pour distinguer les patients susceptibles d'avoir des séjours à l'hôpital prolongés et ceux qui seraient libérés plus tôt.
Tendances d'hospitalisation
Le modèle d'IA a également été utilisé pour analyser les données de l'hôpital afin d'identifier les raisons clés des hospitalisations et des modèles de santé chez les personnes ayant des troubles d'apprentissage et de multiples problèmes de santé.
Il a trouvé:
- Cancer est la principale cause d'admission à l'hôpital pour les hommes et les femmes ayant des troubles d'apprentissage et de multiples problèmes de santé, mais d'autres raisons principales diffèrent selon le sexe
- Épilepsie est l'état le plus fréquemment traité pendant les séjours à l'hôpital pour les hommes et les femmes, mais d'autres raisons principales diffèrent selon le sexe
- En moyenne, les personnes ayant des troubles d'apprentissage et de multiples problèmes de santé restent à l'hôpital pour trois jours et reste excédent 129 jours sont souvent liés à la maladie mentale
- Patients avec des séjours de Quatre jours ou plus sont plus susceptibles de:
- Avoir plus de 50 ans
- Vivre dans des zones plus défavorisées
- Ont l'obésité ou sont moins actifs physiquement
- Ont plus de problèmes de santé, des antécédents de longs séjours à l'hôpital ou un traitement antérieur pour des conditions à long terme.
Importance de la recherche
Jon Sparkes OBE, PDG de Learning Disability Charity Mencap, a salué les résultats.
Cette recherche montre comment l'IA pourrait aider à lutter contre ces vastes inégalités en repérant les modèles et en prédisant les besoins en ressources, ce qui pourrait tous améliorer les résultats des patients.
Cependant, la prédiction à elle seule ne suffit pas – nous devons nous assurer que ces idées stimulent les changements du monde réel, réduisant les admissions à l'hôpital évitables et garantissant que les personnes ayant des troubles d'apprentissage reçoivent un soutien opportun, efficace et personnalisé.
Au fur et à mesure que le gouvernement élabore le plan du NHS de 10 ans, il doit hiérarchiser l'utilisation de la technologie pour traiter les inégalités de santé et s'assurer que le système de santé répond aux besoins des personnes ayant un trouble d'apprentissage. «
Jon Sparkes OBE, PDG, Mencap
Étapes suivantes
Les informations de cette étude et du projet de décodage plus large seront utilisées pour soutenir le NHS dans le développement d'algorithmes de prédiction des risques pour aider les cliniciens à prendre des décisions.
Le Dr Satheesh Gangadharan, psychiatre consultant du Leicestershire Partnership NHS Trust et de l'enquêteur de Decode co-principale, a déclaré: « Nous sommes en train d'appliquer ces connaissances en pratique et de le partager largement.
« Bien que les soins hospitaliers soient un élément important de la prestation des soins de santé, nous explorons les moyens de minimiser le besoin d'hospitalisation en explorant où les interventions de santé pourraient être livrées plus tôt et les personnes ayant des troubles d'apprentissage pourraient être mieux engagées dans leurs soins. »
Les données utilisées pour former le modèle d'IA proviennent du GPS et des hôpitaux au Pays de Galles. Dans le cadre de leurs prochaines étapes, les chercheurs appliquent le modèle aux ensembles de données des hôpitaux en Angleterre pour évaluer si des modèles similaires émergent dans différentes populations.
Le professeur Thomas Jun, un expert en conception du système sociotechnique à l'Université de Loughborough et enquêteur co-principe, a déclaré: « Nous élargissons maintenant notre étude pour inclure un groupe plus diversifié de plus de 20 000 patients à travers l'Angleterre pour nous assurer que notre modèle prédictif est aussi précis et efficace que possible.
« Nous recherchons également un financement supplémentaire pour un essai clinique afin de tester comment cet outil de prédiction personnalisé peut réduire les admissions d'urgence et améliorer la qualité de vie des patients ayant des troubles d'apprentissage et de multiples conditions à long terme. »
Lire l'étude complète
Les résultats de l'analyse de l'IA et le développement du modèle prédictif ont été publiés dans Frontières en santé numérique. Le document détaille également les techniques utilisées pour réduire le biais dans le modèle d'IA, garantissant des prédictions équitables et précises entre les groupes ethniques.
L'auteur principal Emeka Abakasanga, associée de recherche en informatique à l'Université de Loughborough, a déclaré: « Nous espérons que ce document et ses résultats contribueront à des interventions de soins de santé plus équitables dans les admissions à l'hôpital pour divers groupes de patients au sein de la cohorte de troubles d'apprentissage. »
