Un outil d’intelligence artificielle proposé pour soutenir la prise de décision des cliniciens concernant les patients hospitalisés à risque de septicémie présente une caractéristique inhabituelle : tenir compte de son manque de certitude et suggérer les données démographiques, les signes vitaux et les résultats de tests de laboratoire dont il a besoin pour améliorer ses performances prédictives.
Le système, appelé SepsisLab, a été développé à partir des commentaires des médecins et des infirmières qui traitent les patients aux urgences et aux unités de soins intensifs où le sepsis, la réponse fulgurante de l'organisme à une infection, est le plus souvent observé. Ils ont fait part de leur mécontentement à l'égard d'un outil existant assisté par l'IA qui génère un score de prédiction du risque pour les patients en utilisant uniquement les dossiers médicaux électroniques, sans données d'entrée des cliniciens.
Des scientifiques de l'université d'État de l'Ohio ont conçu SepsisLab pour pouvoir prédire le risque de sepsis d'un patient en quatre heures. Mais pendant que le temps passe, le système identifie les informations manquantes sur le patient, quantifie leur importance et donne aux cliniciens une image visuelle de la manière dont des informations spécifiques affecteront la prédiction finale du risque. Des expériences utilisant une combinaison de données de patients accessibles au public et de données exclusives ont montré que l'ajout de 8 % des données recommandées améliorait la précision de prédiction du sepsis du système de 11 %.
« Le modèle existant représente un paradigme de compétition homme-IA plus traditionnel, générant de nombreuses fausses alarmes gênantes dans les unités de soins intensifs et les salles d'urgence sans écouter les cliniciens », a déclaré l'auteur principal de l'étude, Ping Zhang, professeur associé d'informatique et d'ingénierie et d'informatique biomédicale à l'Ohio State.
« L’idée est d’impliquer l’IA à chaque étape intermédiaire de la prise de décision en adoptant le concept de « l’IA dans la boucle humaine ». Nous ne nous contentons pas de développer un outil, nous avons également recruté des médecins pour le projet. Il s’agit d’une véritable collaboration entre informaticiens et cliniciens pour développer un système centré sur l’humain qui place le médecin aux commandes. »
La recherche a été publiée le 24 août dans KDD '24 : Actes de la 30e conférence ACM SIGKDD sur la découverte des connaissances et l'exploration des données et sera présenté oralement mercredi (28 août) au SIGKDD 2024 à Barcelone, en Espagne.
La septicémie est une urgence médicale potentiellement mortelle, qui peut rapidement conduire à une défaillance organique. Elle n’est cependant pas facile à diagnostiquer, car ses symptômes (fièvre, hypotension artérielle, accélération du rythme cardiaque et problèmes respiratoires) peuvent ressembler à ceux de nombreuses autres pathologies. Ces travaux s’appuient sur un modèle d’apprentissage automatique antérieur développé par Zhang et ses collègues, qui estimait le moment optimal pour administrer des antibiotiques aux patients suspectés de septicémie.
SepsisLab est conçu pour générer rapidement une prédiction des risques, mais produit une nouvelle prédiction toutes les heures après l'ajout de nouvelles données patient au système.
« Lorsqu'un patient arrive pour la première fois, il manque de nombreuses valeurs, notamment pour les tests de laboratoire », a déclaré le premier auteur Changchang Yin, étudiant au doctorat en informatique et ingénierie au laboratoire d'intelligence artificielle en médecine de Zhang.
Dans la plupart des modèles d'IA, les points de données manquants sont pris en compte avec une seule valeur attribuée – un processus appelé imputation – « mais le modèle d'imputation pourrait souffrir d'une incertitude qui peut se propager au modèle de prédiction en aval », a déclaré Yin.
« Si le modèle d'imputation ne peut pas imputer avec précision la valeur manquante et qu'il s'agit d'une valeur très importante, la variable doit être observée. Notre algorithme de détection active vise à trouver ces valeurs manquantes et à indiquer aux cliniciens les variables supplémentaires qu'ils pourraient avoir besoin d'observer – des variables qui peuvent rendre le modèle de prédiction plus précis. »
Pour éliminer l'incertitude qui pèse sur le système au fil du temps, il est tout aussi important de fournir aux cliniciens des recommandations pratiques. Il s'agit notamment de tests de laboratoire classés par ordre de valeur pour le processus de diagnostic et d'estimations de l'évolution du risque de septicémie chez un patient en fonction de traitements cliniques spécifiques.
Les expériences ont montré que l’ajout de 8 % de nouvelles données provenant de tests de laboratoire, de signes vitaux et d’autres variables de grande valeur réduisait l’incertitude propagée dans le modèle de 70 %, contribuant ainsi à une amélioration de 11 % de la précision du risque de septicémie.
« L'algorithme peut sélectionner les variables les plus importantes et l'action du médecin réduit l'incertitude », a déclaré Zhang, également membre du corps professoral de l'Institut d'analyse des données translationnelles de l'Ohio State. « Ce travail mathématique fondamental est l'innovation technique la plus importante, l'épine dorsale de la recherche. »
Zhang considère l’IA centrée sur l’humain comme faisant partie de l’avenir de la médecine – mais seulement si l’IA interagit avec les cliniciens d’une manière qui leur permet de faire confiance au système.
« Il ne s’agit pas de construire un système d’IA capable de conquérir le monde », a-t-il déclaré. « Le cœur de la médecine est de tester des hypothèses et de prendre des décisions minute après minute qui ne se résument pas à un simple « oui » ou à un « non ». Nous envisageons une personne au centre de l’interaction en utilisant l’IA pour aider cet humain à se sentir surhumain. »
Cette recherche a été financée par la National Science Foundation, les National Institutes of Health et une bourse d'accélération de l'excellence de la recherche du président de l'État de l'Ohio. Zhang a reçu un financement supplémentaire du NIH pour continuer à collaborer avec les cliniciens sur ce travail.
Les co-auteurs supplémentaires incluent Jeffrey Caterino du Wexner Medical Center de l'Ohio State University, Bingsheng Yao et Dakuo Wang de l'Université Northeastern, et Pin-Yu Chen d'IBM Research.
