Des évaluations réalistes de la fin de vie peuvent être plus précises grâce à l'IA et aux réseaux de neurones.

Les scientifiques de Google étudient le potentiel d'utilisation de l'IA en médecine et les résultats font le tour des sites de veille technologique qui publient des titres accrocheurs. Google forme des machines pour faire des évaluations précises de la mortalité des patients hospitalisés. Les rapports faisaient référence à l'équipe Medical Brain de l'entreprise.

Comme Courrier quotidien souligné, l'IA a été développée en collaboration avec des collègues de l'UC San Francisco, Médecine de Stanford et médecine de l'Université de Chicago.

Avec certitude, ils ne sont pas les premiers à explorer l'utilisation de systèmes informatiques pour tirer des enseignements d'une base de données de données cliniques. L'idée d'utiliser des systèmes informatiques pour apprendre à partir d'une "base de données hautement organisée et enregistrée" de données cliniques a une longue histoire, ils ont dit.

Le problème est que les modèles prédictifs construits avec les données de DSE utilisent une médiane de seulement 27 variables, ils ont écrit, s'appuyer sur des modèles linéaires généralisés traditionnels, et sont construits à l'aide de données dans un seul centre. D'autre part, ils ont construit une étude de l'apprentissage en profondeur dans une variété de problèmes de prédiction basée sur plusieurs données hospitalières générales.

« Si une équipe clinique devait enquêter sur des patients prédits à haut risque de décès, le taux de fausses alertes à chaque instant a été approximativement divisé par deux par notre modèle, " ont-ils rapporté.

« Un apprentissage en profondeur évolutif et précis avec les dossiers de santé électroniques » est le titre de leur article, Publié dans npj Médecine numérique en mai.

« La promesse de la médecine numérique découle en partie de l'espoir que, en numérisant les données de santé, nous pourrions plus facilement tirer parti des systèmes d'information informatiques pour comprendre et améliorer les soins, " ils ont écrit.

La clé de tout cela est la modélisation prédictive avec les données du dossier de santé électronique (DSE). « Nous proposons une représentation de l'ensemble des enregistrements DSE bruts des patients sur la base du format Fast Healthcare Interoperability Resources (FHIR). Nous démontrons que les méthodes d'apprentissage en profondeur utilisant cette représentation sont capables de prédire avec précision plusieurs événements médicaux à partir de plusieurs centres sans harmonisation des données spécifiques au site ."

Les Los Angeles Times a cité l'un des auteurs :« jusqu'à 80 % du temps passé sur les modèles prédictifs d'aujourd'hui est consacré au « travail de finition » consistant à rendre les données présentables, " dit Nigam Shah, professeur agrégé à l'Université de Stanford et co-auteur de l'article. Cependant, avec l'approche de Google, dit Shah, "Vous pouvez jeter dans l'évier de la cuisine et ne pas avoir à vous en soucier."

Victor Tangermann dans Futurisme a déclaré que « le réseau de neurones comprend même des notes manuscrites, commentaires, et griffonne sur de vieilles cartes pour faire ses prédictions."

Les auteurs ont jeté les pneus des approches de modélisation traditionnelles et ont appelé les limites qu'elles posaient. Ils ont déclaré que ces approches traitaient de la complexité en choisissant un nombre limité de variables communément collectées à prendre en compte. « Cela est problématique car les modèles résultants peuvent produire des prédictions imprécises :les prédictions faussement positives peuvent submerger les médecins, infirmières, et d'autres prestataires avec de fausses alertes et une fatigue d'alerte concomitante."

Ils ont parlé d'apprentissage en profondeur et de réseaux de neurones pour débloquer les informations nécessaires à une image plus complète.

Futurisme mentionné, « Dans des essais utilisant les données de deux hôpitaux américains, les chercheurs ont pu montrer que ces algorithmes pouvaient prédire la durée de séjour et l'heure de sortie d'un patient, mais aussi l'heure de la mort."

Ils comprenaient un total de 216, 221 hospitalisations dont 114, 003 patients uniques.

"Au meilleur de nos connaissances, nos modèles surpassent les modèles DSE existants dans la littérature médicale pour prédire la mortalité (0,92-0,94 vs 0,91), réadmission inattendue (0,75-0,76 vs 0,69), et augmentation de la durée de séjour (0,85-0,86 vs 0,77)."

Les auteurs ont commenté la disponibilité des données. « Les ensembles de données analysés au cours de la présente étude ne sont pas accessibles au public :en raison de préoccupations raisonnables en matière de confidentialité et de sécurité, les données de DSE sous-jacentes ne sont pas facilement redistribuables à des chercheurs autres que ceux engagés dans des collaborations de recherche approuvées par l'Institutional Review Board avec les centres médicaux nommés."

© 2018 Tech Xplore