Si les prestataires de soins pouvaient prédire avec précision comment leurs services seraient utilisés, ils pourraient économiser de grosses sommes d'argent en n'ayant pas à allouer des fonds inutilement. Les modèles d'intelligence artificielle d'apprentissage en profondeur peuvent être efficaces pour prédire l'avenir compte tenu des comportements antérieurs, et des chercheurs basés en Finlande en ont développé un qui peut prédire quand et pourquoi les personnes âgées utiliseront les services de santé.

Chercheurs du Centre finlandais d'intelligence artificielle (FCAI), Université Aalto, l'Université d'Helsinki, et l'Institut finlandais pour la santé et le bien-être (THL) a développé un modèle d'ajustement des risques pour prédire la fréquence à laquelle les personnes âgées se font soigner dans un centre de santé ou un hôpital. Les résultats suggèrent que le nouveau modèle est plus précis que les modèles de régression traditionnels couramment utilisés pour cette tâche, et peut prédire de manière fiable comment la situation évolue au fil des ans.

Les modèles d'ajustement au risque utilisent les données des années précédentes, et sont utilisés pour allouer les fonds de santé de manière juste et efficace. Ces modèles sont déjà utilisés dans des pays comme l'Allemagne, les Pays-Bas, et les États-Unis. Cependant, il s'agit de la première preuve de concept que les réseaux de neurones profonds ont le potentiel d'améliorer considérablement la précision de tels modèles.

"Sans modèle d'ajustement du risque, les prestataires de soins de santé dont les patients sont plus souvent malades que la moyenne seraient traités injustement, " Pekka Marttinen, Professeur adjoint à l'Université Aalto et FCAI dit. Les personnes âgées sont un bon exemple d'un tel groupe de patients. L'objectif du modèle est de tenir compte de ces différences entre les groupes de patients lors de la prise de décisions de financement.

Selon Yogesh Kumar, l'auteur principal de l'article de recherche et doctorant à l'Université Aalto et au FCAI, les résultats montrent que l'apprentissage en profondeur peut aider à concevoir des modèles d'ajustement des risques plus précis et plus fiables. "Avoir un modèle précis a le potentiel d'économiser plusieurs millions de dollars, " fait remarquer Kumar.

Les chercheurs ont formé le modèle en utilisant les données du registre des visites de soins de santé primaires de THL. Les données consistent en des informations sur les visites ambulatoires pour chaque citoyen finlandais âgé de 65 ans ou plus. Les données ont été pseudonymisées, ce qui signifie que les personnes individuelles ne peuvent pas être identifiées. C'était la première fois que des chercheurs utilisaient cette base de données pour former un modèle d'apprentissage automatique en profondeur.

Les résultats montrent que la formation d'un modèle profond ne nécessite pas nécessairement un énorme ensemble de données afin de produire des résultats fiables. Au lieu, le nouveau modèle fonctionnait mieux que plus simple, modèles basés sur le dénombrement même lorsqu'il n'utilisait qu'un dixième de toutes les données disponibles. En d'autres termes, il fournit des prédictions précises même avec un ensemble de données relativement petit, ce qui est une découverte remarquable, car l'acquisition de grandes quantités de données médicales est toujours difficile.

"Notre objectif n'est pas de mettre en pratique le modèle développé dans cette recherche en tant que tel mais d'intégrer les fonctionnalités des modèles d'apprentissage profond aux modèles existants, combinant les meilleurs côtés des deux. À l'avenir, l'objectif est d'utiliser ces modèles pour soutenir la prise de décision et allouer les fonds de manière plus raisonnable, " explique Marttinen.

Les implications de cette recherche ne se limitent pas à prédire la fréquence à laquelle les personnes âgées visitent un centre de santé ou un hôpital. Au lieu, selon Kumar, le travail des chercheurs peut facilement être étendu de plusieurs manières, par exemple, en se concentrant uniquement sur les groupes de patients diagnostiqués avec des maladies qui nécessitent des traitements très coûteux ou des centres de santé dans des endroits spécifiques à travers le pays.

Les résultats de la recherche ont été publiés dans la série de publications scientifiques de Actes de la recherche en apprentissage automatique .