Chez IBM Research, nous explorons de nouvelles solutions pour une gamme de défis en matière de soins de santé. L'un de ces défis est le surpeuplement des salles d'urgence, ce qui peut entraîner de longs délais d'attente pour le traitement. Le surpeuplement résulte en partie du fait que les personnes se rendent aux urgences pour des conditions non urgentes plutôt que de se fier aux médecins de premier recours. Les patients qui utilisent les urgences pour des situations non urgentes sont plus susceptibles de revenir plusieurs fois aux urgences (Poole et al. 2016), contribuant davantage à la surpopulation. L'identification des patients susceptibles de retourner aux urgences peut permettre aux hôpitaux d'intervenir pour garantir l'accès aux soins nécessaires en dehors des urgences et potentiellement réduire la surpopulation.

Un modèle de réseau de neurones

Mon équipe d'IBM Research-China a relevé ce défi. Nous avons développé un nouveau modèle de réseau neuronal pour prédire combien de fois une personne se rendra aux urgences en fonction des informations de ses dossiers de santé électroniques (DSE). Le modèle est basé sur un réseau neuronal récurrent typique, mais contrairement aux méthodes traditionnelles d'apprentissage automatique, il présente un comportement temporel dynamique basé sur les informations du DSE et a une structure complexe pour mieux modéliser la corrélation entre les visites aux urgences et d'autres données sur les patients (Figure 1). Nous avons utilisé le modèle pour prédire avec précision si et combien de fois une personne se rendra aux urgences et avons constaté qu'il surpassait les autres techniques courantes. Par exemple, la précision de notre modèle était de 6,59 % supérieure à celle d'un modèle de régression logistique typique pour prédire si une personne se rendra à l'urgence et> 90 % de plus dans la prédiction du nombre de visites aux urgences par rapport au modèle de régression linéaire. Notre modèle avait également une précision d'environ 2% supérieure à celle du modèle XGboost populaire pour prédire le nombre de visites aux urgences.

En prédisant mieux combien de fois une personne se rendra aux urgences, nous espérons que ce modèle pourra permettre aux hôpitaux d'établir, prioriser, et cibler les interventions pour s'assurer que les patients ont accès aux soins dont ils ont besoin en dehors d'une salle d'urgence.

Partager notre travail

Ces résultats, ainsi que cinq autres articles de l'équipe de recherche d'IBM en Chine, ont été acceptés par Medical Informatics Europe 2018, une conférence de premier plan sur l'informatique médicale qui a lieu cette semaine à Göteborg, Suède. Les autres articles impliquent l'analyse de preuves réelles sur les interactions de traitement-sous-groupe, détection d'anomalies dans l'utilisation des fournitures médicales, l'utilisation de l'apprentissage profond et d'autres technologies d'apprentissage automatique pour répondre aux questions des patients, et la prédiction des événements cardiaques indésirables majeurs à l'hôpital à l'aide d'un modèle linéaire généralisé. Les détails des six articles acceptés sont énumérés ci-dessous. Nos collaborateurs sur ces projets représentent les meilleurs hôpitaux (Fuwai Hospital et Anzhen Hospitals) et les meilleures sociétés pharmaceutiques (Pfizer). En travaillant avec les meilleurs partenaires avec les meilleures données sur les problèmes réels les plus difficiles, nous pouvons générer des résultats de recherche de classe mondiale en Chine.