IA : Adventure, un projet pour l’analyse des événements indésirables en anesthésie

Publié le jeudi 04 juillet 2024 à 17h56

IA

Démontrer la faisabilité et la pertinence des approches d’apprentissage automatique (ML) et de traitement de langage naturel (NLP) dans l'analyse des événements indésirables (EI) cliniques : c'est ce qu'une étude exploratoire, menée par une équipe pluriprofessionnelle (avec en particulier le CFAR, la HAS, la société Collective Thinking...), s'était fixée comme objectif.

10 ans d’EI signalés par les anesthésistes

L’étude s’est concentrée sur les EI signalés par les anesthésistes, pionniers de ces approches, concernant la période périopératoire. Les 9 559 EI (parmi les 135 000 rapports d’EI uniques et anonymisés de la HAS) signalés par les anesthésistes entre le 1er janvier 2009 et le 1er juin 2020 ont été inclus dans l’étude. la labellisation a été validée par des experts, ainsi que les associations entre les causes profondes des différents EI et les conséquences pour les patients. Le modèle a été validé par des anesthésistes experts indépendants.

Méthode :

Un prétraitement des données a été réalisé dont l’objectif était d’identifier les mots ou séquences de mots significatifs (suffisamment utilisés pour être pertinents, mais sans être trop fréquents pour garder du sens).Les prétraitements appliqués sur les déclarations d’EI après l’identification des éléments pertinents ont permis de retenir 7799 (81,6%) rapports parmi les 9559 rapports initiaux.

Deux étapes ont ensuite été réalisées dans le traitement des données :

1️⃣ La classification des EI : un algorithme LDA (L’allocation de Dirichlet latente) a été utilisé pour développer un modèle de classification automatique des libellés d’EI. Ce traitement non supervisé permet de définir des thèmes (par exemple difficulté d’intubation, erreurs médicamenteuses, hémorragie…) et ainsi classer les évènements par causes principales.

 

2️⃣ Puis une recherche de causes profondes : en réalisant des regroupements en cluster par Kmeans (par thèmes proches secondaires)

Résultats :

Le modèle d’apprentissage automatique (ML) et d’intelligence artificielle (IA), utilisé sur 9 559 ensembles de données d’EI, a catégorisé avec précision 8 800 (88 %) des EI signalés. Les trois types d’EI les plus fréquents étaient :

  • intubation orotrachéale difficile (16,9 % des rapports d’EI) ;
  • erreur médicamenteuse (10,5 %) ;
  • et hypotension post-induction (6,9 %).

La précision du modèle d’IA a atteint une sensibilité de 70,9 %, une spécificité de 96,6 % pour « intubation difficile », une sensibilité de 43,2 % et une spécificité de 98,9 % pour « erreur médicamenteuse »

Concernant les causes profondes et les associations, l’étude a montré des corrélations réalistes et validées par les experts anesthésistes.

Vers une collaboration hybride Homme-IA

Malgré quelques limites à l’étude (non exhaustivité de la base HAS, biais d’information, …), cette méthode d’apprentissage automatique non supervisée fournit un premier algorithme de travail qui montre l’opportunité de traiter plus rapidement les EI (aujourd’hui il faut 3 mois à 3 experts pour analyser 150 EI) et de mieux mobiliser les experts sur l’analyse des EI en prétraitant les évènements et en faisant émerger des associations. Il convient évidemment de le superviser pour améliorer ses performances sur certaines thématiques.

Grâce à l’utilisation plus fine du texte libre (NLP), l’approche permet d’obtenir des informations plus approfondies sur les causes multidisciplinaires des événements indésirables, et de mieux comprendre pourquoi les EI continuent de se produire. Cette approche permet aussi de mettre en évidence et d’amplifier l’émergence de signaux faibles et d’identifier de nouvelles situations à risque, impossibles à identifier en méthode classique.

Ce modèle devrait être utilisé dans d’autres spécialités médicales, et aussi doit permettre ainsi une optimisation du temps des experts, et aller vers un fonctionnement hybride, homme et IA.

 

Exemple pratique :

Pour illustrer la valeur et l’impact de l’utilisation d’une analyse hybride, des cliniciens experts ont distingué 2 situations pour une erreur de latéralité de chirurgie du mauvais côté.

  • Pour la chirurgie de la cataracte l’analyse de la description des EIs met en évidence un résultat clé dans la mesure où la check list chirurgicale de l’OMS, réalisée avant l’incision chirurgicale et  obligatoire en France, était une barrière efficace pour détecter les erreurs de côté avant qu’un quelconque dommage ne soit causé au patient.
  • Concernant l’anesthésie régionale, « erreur de côté » et « performance du bloc » ont conduit les experts à revoir en détail le texte des EIs car dans ce cas, la détection de l’erreur de latéralité a souvent lieu après avoir effectué l’anesthésie régionale, donc que la liste de contrôle de sécurité chirurgicale de l’OMS n’a pas été mise en œuvre correctement. Cela fournit des informations importantes sur la meilleure façon d’améliorer la mise en œuvre des listes de contrôle chirurgicales.

 

FermerVeuillez vous connecter

Pas encore de compte ? S'inscrire

membres-icon

Derniers membres

Béatrice inscrit il y a 3 jours et 12 heures
HAJJAM Jawad inscrit il y a 3 jours et 12 heures
Samuel inscrit il y a 3 jours et 12 heures
Sophie B inscrit il y a 1 semaine et 2 jours
Steeven inscrit il y a 2 semaines et 2 jours
Pierre inscrit il y a 2 semaines et 2 jours
Bernard inscrit il y a 3 semaines et 1 jour
Anis inscrit il y a 1 mois
confiance-icon

Ils nous font confiance

Jean François Pomerol
CEO

« Tribun Health est l’un des leaders en matière de solutions de pathologie numérique pour les établissements de santé publics et privés et l’environnement / organisations pharmaceutiques. Le décryptage de l’actualité numérique santé au sein de l’écosystème est un relais majeur pour comprendre, accompagner et développer nos activités tant au niveau institutionnel qu’au niveau des établissements (réseau des DG / DSI / CME

Dr Charlotte Garret
Directrice Médicale

« L'hebdo Health&Tech est un excellent support d'informations en termes d'actualités dans le domaine de la santé numérique, de l'IA, de la veille réglementaire... L'hebdo s'intéresse aux actualités françaises mais aussi internationales, ce qui permet d'avoir une vision globale des innovations en santé dans les domaines du digital et du numérique. Cela nous permet, au sein du LAB innovation chez Santéclair, d'être toujours informés des nouveaux acteurs du marché et des actualités dans ce domaine en perpétuel évolution ».

Aurélien Pécoul
Acting Director & open innovation manager

« En tant qu'acteur clé de l'industrie pharmaceutique, nous avons eu le privilège de collaborer avec Care Insight pour nos besoins en veille stratégique et en conseil dans le domaine de la santé numérique. Leur expertise, leur engagement et leur intégration au sein de l'écosystème de la santé numérique sont des atouts essentiels pour nous permettre d'accéder à une information de qualité. Leur capacité à fournir des panoramas détaillés, des benchmarks précis des solutions numériques et à définir des axes d'opportunités nous permet de mieux comprendre le paysage numérique de la santé en constante évolution et de formuler des stratégies de développement pertinentes. »

Arnaud Houette
CEO

« Extens est en France l’un des fonds majeurs d'investissement dédié aux éditeurs de logiciels de santé. A ce titre, Care Insight nous permet, par le service de veille HealthTech Intelligence, de comprendre les segments en évolution et accompagner nos stratégies d’investissement ciblées. Une très bonne source d’information fiable et pertinente ».

Pascal Dussert
Directeur Europe sale

“Care Insight est fédérateur d’innovations permettant d’accélérer l’émergence de projets d’envergure en s’appuyant sur son vaste réseau d’experts cliniques, institutionnels et industriels »

events-icon

Événements

Revivez les meilleurs moments !

Retrouver en image le Health&Tech Summit 2023 consacré aux cas d’usages concrets de l’IA et de la Data en Santé.