Pendant la chirurgie, les anesthésistes surveillent et gèrent les patients pour s'assurer qu'ils sont en sécurité et qu'ils respirent bien. Mais ces médecins ne peuvent pas toujours prédire quand des complications surviendront.

Aujourd'hui, des chercheurs de l'Université de Washington ont développé un nouveau système d'apprentissage automatique, appelé Prescience, qui utilise les données des dossiers des patients et des capteurs de salle d'opération standard pour prédire la probabilité qu'un patient développe une hypoxémie, une condition lorsque les niveaux d'oxygène dans le sang chutent légèrement en dessous de la normale. L'hypoxémie peut entraîner des conséquences graves, comme les infections et le comportement cardiaque anormal.

Prescience fournit également des explications réelles derrière ses prédictions. Avec ces informations, les anesthésistes peuvent mieux comprendre pourquoi un patient est à risque d'hypoxémie et la prévenir avant qu'elle ne se produise. L'équipe, qui publiera ses conclusions le 10 octobre dans Nature Génie Biomédical , estime que Prescience pourrait améliorer la capacité des anesthésistes à anticiper et à prévenir 2,4 millions de cas d'hypoxémie supplémentaires aux États-Unis chaque année.

« Les méthodes modernes d'apprentissage automatique ne font souvent que cracher un résultat de prédiction. Elles ne vous expliquent pas quelles caractéristiques du patient ont contribué à cette prédiction, " dit Su-In Lee, professeur agrégé à la Paul G. Allen School of Computer Science &Engineering de l'UW et auteur principal de l'article. "Notre nouvelle méthode ouvre cette boîte noire et nous permet en fait de comprendre pourquoi deux patients différents peuvent développer une hypoxémie. C'est le pouvoir."

Lee et Scott Lundberg, un doctorant à l'école Allen, a commencé le projet en rencontrant des collaborateurs de UW Medicine pour savoir ce dont ils avaient besoin dans la salle d'opération.

"L'une des choses que les anesthésistes ont dites était:" Nous ne sommes pas vraiment satisfaits d'une simple prédiction. Nous voulons savoir pourquoi, ' », a déclaré Lee. « Donc, cela nous a fait réfléchir. »

Lee et Lundberg ont entrepris de créer un système d'apprentissage automatique qui pourrait à la fois faire des prédictions et les expliquer. D'abord, ils ont acquis un ensemble de données de 50, 000 chirurgies réelles de l'Université de Washington et des centres médicaux Harborview à Seattle. Ces données incluent des informations sur l'admission des patients telles que l'âge et le poids, ainsi qu'en temps réel, informations minute par minute—fréquence cardiaque, les niveaux d'oxygène dans le sang et plus encore, tout au long des chirurgies. Les scientifiques ont utilisé toutes ces données pour apprendre à Prescience à faire des prédictions.

L'équipe voulait que Prescience résolve deux types de problèmes différents. Prescience devait examiner les informations préopératoires et prédire si un patient donné souffrirait d'hypoxémie sous anesthésie. Prescience a également dû prédire l'hypoxémie à n'importe quel moment de la chirurgie en examinant des informations en temps réel. Finalement, Lee et Lundberg ont développé une nouvelle approche pour entraîner Prescience à générer des explications compréhensibles derrière ses prédictions.

Pour les données préopératoires, Prescience a découvert que l'indice de masse corporelle était une caractéristique importante qui a contribué à prédire qu'un patient souffrirait d'hypoxémie pendant la chirurgie. Mais pendant la chirurgie, les niveaux d'oxygène dans le sang eux-mêmes ont contribué le plus à une prédiction.

Avec ces informations à l'esprit, il était temps de mettre Prescience à l'épreuve.

Lee et Lundberg ont créé une interface Web qui a fait passer les anesthésistes à travers les cas préopératoires et en temps réel des chirurgies de l'ensemble de données qui n'ont pas été utilisées pour former Prescience. Pour le test en temps réel, les chercheurs ont spécifiquement choisi des cas difficiles à prévoir, comme lorsque le niveau d'oxygène dans le sang d'un patient est stable pendant 10 minutes, puis diminue.

"Nous voulions savoir si cela allait être instructif pour les anesthésistes, " dit Lundberg, qui est le premier auteur sur le papier. « Donc, pour certains de leurs cas, ils ont reçu une barre d'informations supplémentaires de Prescience."

Prescience a amélioré la capacité des médecins à prédire correctement le risque d'hypoxémie d'un patient de 16 % avant une intervention chirurgicale et de 12 % en temps réel pendant une intervention chirurgicale. Globalement, avec l'aide de Prescience, les anesthésistes ont réussi à distinguer correctement les deux scénarios près de 80 % du temps avant et pendant la chirurgie.

« Cette recherche va nous permettre de mieux anticiper les complications et de cibler notre traitement sur chaque patient, " a déclaré la co-auteure Dr Monica Vavilala, professeur d'anesthésiologie et de médecine de la douleur à l'UW School of Medicine et directeur du Harborview Injury Prevention &Research Center. "Si nous savons qu'il y a un aspect qui cause le problème, alors nous pouvons aborder cela en premier et plus rapidement. Cela pourrait vraiment changer notre façon de pratiquer, donc c'est vraiment un gros problème."

Prescience n'est pas encore tout à fait prêt à être dans les salles d'opération. Lee et Lundberg prévoient de continuer à travailler avec les anesthésistes pour améliorer Prescience et lui donner une interface à la fois intuitive et utile. En outre, l'équipe espère que les versions ultérieures de Prescience seront capables de prédire d'autres conditions néfastes, comme l'hypotension artérielle, et recommander des plans de traitement.

Quel que soit l'avenir de Prescience, un point est clair :cette technologie est destinée à aider les anesthésistes à mieux prendre en charge leurs patients, dit Lundberg.

"Prescience ne traite personne, " dit-il. " Au lieu de cela, il vous dit pourquoi il est concerné, ce qui permet ensuite au médecin de prendre de meilleures décisions de traitement."