Des chercheurs de l'ETH Zurich appliquent l'apprentissage automatique dans les unités de soins intensifs pour faire la distinction entre les fausses alarmes et celles qui signalent de vrais problèmes médicaux.

Bip, bip, bip. Dans les unités de soins intensifs (USI), un dispositif de surveillance ou autre sonne toujours l'alarme. Qu'il s'agisse d'un patient dont le taux d'oxygène dans le sang est trop bas, quelqu'un dans le lit d'à côté dont la pression intracrânienne augmente, ou quelqu'un d'autre dont la tension artérielle a piqué du nez. Ou peut-être simplement parce qu'un patient a changé de position dans son lit.

Les fausses alarmes comme celle-ci ne sont que trop fréquentes. Ils utilisent le temps précieux du personnel médical et augmentent le risque que les vraies alarmes soient perdues dans le flot de fausses alarmes. Cela signifie qu'il est dans l'intérêt des infirmières et des médecins de réduire considérablement le nombre de fausses alarmes. En collaboration avec des scientifiques de l'unité de soins neurocritiques de l'hôpital universitaire de Zurich, Les chercheurs de l'ETH Zurich ont maintenant développé une méthode d'apprentissage automatique qui vise à atteindre cet objectif.

Combiner des données

Dans le cadre d'une étude de faisabilité au sein d'un projet de data science appelé ICU Cockpit, les chercheurs ont utilisé des enregistrements complets de données de soins intensifs. Avec l'accord des patients, leurs signes vitaux sont systématiquement stockés à haute résolution temporelle ainsi que les alarmes qui auraient pu retentir.

Comme c'est généralement le cas dans les unités de soins intensifs, les différents dispositifs de surveillance circulatoire, la ventilation artificielle et la surveillance cérébrale fonctionnent indépendamment l'une de l'autre. Par conséquent, les appareils déclenchent chacun leur propre alarme chaque fois que leurs lectures passent au-dessus ou en dessous d'une certaine valeur seuil. Les chercheurs ont combiné et synchronisé les données de ces divers appareils, puis ont appliqué de nouvelles techniques d'apprentissage automatique pour identifier les alarmes non pertinentes d'un point de vue médical.

L'ordinateur fait les démarches des médecins

"D'habitude, avant qu'un ordinateur puisse commencer à apprendre, les humains doivent d'abord avoir catégorisé un certain nombre d'alarmes comme pertinentes ou non pertinentes, " explique Walter Karlen, Professeur de systèmes de santé mobiles à l'ETH Zurich. "Les systèmes informatiques peuvent ensuite utiliser ces informations pour comprendre le principe de la classification et finalement catégoriser les alarmes elles-mêmes."

Cependant, faire classer les alarmes en soins intensifs est une tâche sans fin, pas seulement parce que cela doit être fait pour chaque patient individuellement. En outre, le personnel médical traitant des patients en soins intensifs n'aurait pas non plus le temps d'enseigner un ordinateur.

Fonctionne même avec des données fragmentaires

Cela signifie que le système idéal pour le déploiement dans une unité de soins intensifs serait un système qui pourrait s'auto-apprendre même si les infirmières ou les médecins n'ont classé qu'un petit nombre d'alarmes. C'est là que la méthode d'apprentissage automatique développée par Karlen et ses collègues prend tout son sens.

Les scientifiques ont testé leur méthode à l'aide d'un petit ensemble de données de l'unité de soins neurocritiques de Zurich :des enregistrements des signes vitaux et des alarmes de 14 patients sur une période de plusieurs jours. En moyenne, les dispositifs médicaux ont sonné l'alarme près de 700 fois par patient et par jour; en d'autres termes, toutes les deux minutes. Bien que seulement 1, 800 (13 %) du total de 14 de l'ensemble de données, 000 alarmes avaient été classées manuellement, l'algorithme a néanmoins pu classer les alarmes restantes en vraies ou fausses. Si les scientifiques permettaient au système d'avoir un taux d'erreur de 5 %, il a réduit le nombre de fausses alarmes de 77 pour cent.

Les scientifiques ont également pu démontrer que la méthode fonctionne même avec un degré d'aide manuelle nettement inférieur :il a suffi de 25 ou 50 classifications manuelles pour que le système signale un grand nombre d'alarmes comme fausses. Les scientifiques ont également montré qu'en particulier dans les situations où il y a eu très peu d'aide manuelle, la nouvelle méthode est beaucoup plus efficace que les méthodes d'apprentissage automatique existantes.

Ce projet a analysé les données cliniques de manière rétrospective. Les chercheurs envisagent maintenant d'étudier l'efficacité de leur algorithme à l'aide d'une étude clinique prospective.