Une nouvelle recherche menée par Texas McCombs propose un modèle d'IA qui prédit la durée du séjour en unité de soins intensifs avec des résultats explicables, transformant potentiellement la façon dont les hôpitaux gèrent les ressources en soins intensifs.
Au plus fort de la pandémie de COVID-19, les hôpitaux des États-Unis ont eu du mal à répondre à la demande de lits en unité de soins intensifs (USI) alors que le nombre de patients augmentait. Mais même avant la pandémie, les unités de soins intensifs étaient confrontées à des difficultés persistantes pour maintenir des lits disponibles pour les patients gravement malades.
L’intelligence artificielle (IA) est prometteuse pour relever ces défis en prédisant la durée des séjours en unité de soins intensifs, permettant ainsi aux hôpitaux de mieux gérer leur capacité en lits et de réduire les coûts.
Indranil Bardhan, professeur de gestion de l’information, des risques et des opérations et titulaire de la chaire Charles et Elizabeth Prothro Regents en gestion des soins de santé à la Texas McCombs School of Business, est à l’avant-garde de cette innovation.
Bardhan et son équipe ont développé un modèle d’IA conçu pour prédire les durées de séjour en unité de soins intensifs avec une meilleure clarté pour les prestataires de soins de santé – un concept connu sous le nom d’intelligence artificielle explicable (XAI).
« Les gens se sont surtout concentrés sur la précision de la prédiction, et c'est un élément important », a déclaré Bardhan dans un communiqué de presse. « La prédiction est bonne, mais pouvez-vous l'expliquer ? »
Expliquer les prédictions de l'IA
Les recherches de Bardhan, menées en collaboration avec l'étudiant au doctorat Tianjian Guo, Ying Ding de l'École d'information de l'UT et Shichang Zhang de l'Université de Harvard, visent à rendre l'IA plus interprétable et utile aux médecins des unités de soins intensifs.
L’équipe a formé son modèle sur un ensemble de données de 22,243 2001 dossiers médicaux couvrant la période de 2012 à 47, intégrant XNUMX attributs différents des patients, tels que l’âge, le sexe, les signes vitaux, les médicaments et les diagnostics.
Le modèle peut produire des graphiques indiquant la probabilité qu'un patient soit libéré dans les sept jours et détaillant les attributs qui influencent le plus ce résultat. Par exemple, le modèle peut afficher une probabilité de sortie de l'hôpital de 8.5 % dans les sept jours et mettre en évidence un diagnostic du système respiratoire comme facteur principal, l'âge et les médicaments étant des facteurs secondaires importants.
L'étude, publié Dans la revue Information Systems Research, ils ont constaté que les prédictions du modèle étaient aussi précises que celles des autres principaux modèles d'IA, mais que son pouvoir explicatif était supérieur.
Au-delà des soins intensifs
Pour tester l'application pratique de leur modèle, les chercheurs ont interrogé six médecins travaillant dans des unités de soins intensifs de la région d'Austin. Quatre d'entre eux ont indiqué que les explications du modèle pourraient les aider à améliorer la gestion du personnel et des ressources, contribuant ainsi à une planification plus efficace des rendez-vous des patients.
Malgré ses promesses, le modèle présente une limitation notable : il utilise des données obsolètes datant d’avant 2014, lorsque le secteur de la santé est passé du système de codage ICD-9-CM au système de codage ICD-10-CM, qui offre des informations diagnostiques plus détaillées et plus spécifiques.
« Si nous avions pu accéder à des données plus récentes, nous aurions aimé étendre nos modèles en utilisant ces données », a ajouté Bardhan.
Ce modèle pourrait toutefois être adapté à d’autres unités de soins intensifs que celles destinées aux adultes. Bardhan suggère qu’il pourrait également être applicable dans les unités de soins intensifs pédiatriques et néonatales, les services d’urgence et même les unités hospitalières ordinaires pour prédire la durée de séjour des patients et optimiser la gestion des lits.
Source: École de commerce McCombs de l'Université du Texas à Austin