Qu’est-ce qui freine l’apprentissage automatique dans le domaine de la santé ?

Les soins de santé regorgent de données complexes stockées à plusieurs endroits et évoluant chaque jour. Cela en fait une cible idéale pour la forme d’intelligence artificielle connue sous le nom d’apprentissage automatique.

Oxford définit l’apprentissage automatique comme « l’utilisation et le développement de systèmes informatiques capables d’apprendre et de s’adapter sans suivre d’instructions explicites, en utilisant des algorithmes et des modèles statistiques pour analyser et tirer des conclusions à partir de modèles de données.

Ces dernières années, l’apprentissage automatique s’est déjà révélé utile dans le diagnostic et peut contribuer à l’efficacité du codage médical. Mais il existe de nombreux autres endroits où l’apprentissage automatique peut être utile mais n’a pas encore fait de progrès. Pourquoi donc?

Harshith Ramesh est co-PDG d’Episource, un fournisseur de services et de logiciels d’ajustement des risques pour les groupes médicaux et les plans de santé, et un expert en apprentissage automatique. Nous l’avons interviewé pour discuter des raisons pour lesquelles l’apprentissage automatique convient si bien aux soins de santé, comment il a aidé jusqu’à présent avec le diagnostic et le codage et, plus important encore, ce qui le freine dans les soins de santé.

Q. Vous soutenez que les soins de santé sont particulièrement adaptés à l’apprentissage automatique. Pourquoi?

UN. L’apprentissage automatique est une branche de l’intelligence artificielle qui exploite les données pour imiter la façon dont les humains apprennent, améliorant continuellement les performances d’une tâche donnée au fil du temps. Dans le secteur de la santé, cette technologie est utilisée pour détecter des modèles dans les informations sur la santé des patients et affiner ses algorithmes pour devenir plus précis à mesure qu’il apprend à partir des données disponibles.

Alors que de plus en plus d’organisations prestataires assument des risques de perte dans le cadre de modèles contractuels basés sur la valeur au cours des prochaines années, il est devenu plus important que jamais de mesurer les résultats des patients de manière efficace, précise et rentable. L’apprentissage automatique est un outil clé que les fournisseurs peuvent exploiter pour atteindre cet objectif.

Les soins de santé sont particulièrement bien préparés pour l’apprentissage automatique en raison de l’augmentation exponentielle du volume de données sur les patients au cours des deux dernières décennies. Aujourd’hui, environ 30 % des données mondiales sont générées par le secteur de la santé.

Cela est dû, en partie, à l’utilisation généralisée du dossier de santé électronique, qui a commencé à gagner du terrain dans les années 1990. La numérisation des informations sur les patients a non seulement augmenté la quantité de données existantes, mais les a également rendues facilement accessibles pour les applications d’apprentissage automatique.

Au-delà des DSE, les données de santé sont également générées par un nombre croissant de sources, telles que les dispositifs médicaux, les appareils portables, les centres d’échange de données, les laboratoires et les bureaux des fournisseurs. Cette riche abondance de données est essentielle pour que les modèles d’apprentissage automatique deviennent plus précis pour prédire les résultats des patients. Cela peut aider les organisations de prestataires à développer une image plus complète de la santé d’un patient au fil du temps.

Les données de santé sont également de nature plus objective que les données générées par d’autres industries, ce qui les rend particulièrement compatibles avec la technologie d’apprentissage automatique. Cela est dû à des procédures standardisées, des systèmes automatisés, des codeurs médicaux et des médecins experts qui contribuent tous à éliminer autant que possible la subjectivité des données.

Par exemple, l’industrie a établi des ensembles de données normalisés que les organismes de santé doivent utiliser, tels que les codes de la Classification internationale des maladies (CIM-10) pour les informations de diagnostic ou les codes nationaux des médicaments (NDC) pour l’identification des médicaments.

Les réglementations sur la manière dont les organisations de soins de santé peuvent héberger et transporter des données dans les DSE ont également permis aux modèles alimentés par l’apprentissage automatique d’analyser plus facilement les données, de découvrir des tendances et d’appliquer des algorithmes pour améliorer les résultats des patients.

Q. Comment l’apprentissage automatique peut-il aider les organisations de prestataires de soins de santé à établir un diagnostic ?

UN. L’apprentissage automatique a une variété d’applications dans l’espace clinique. L’une de ces applications est la modélisation prédictive, qui est une technique statistique couramment utilisée qui peut être utilisée pour prédire le comportement futur.

Grâce à la modélisation prédictive, les prestataires peuvent prévoir efficacement si un patient à haut risque pourrait ou non développer une septicémie ou un autre type de complication après une intervention. Cela peut aider à déterminer s’ils souhaitent prendre des mesures préventives supplémentaires pour atténuer ce risque, comme appeler les patients pour des examens réguliers ou optimiser les ressources pour cibler les patients potentiels à haut risque.

Il peut également soutenir la gestion de la santé de la population en créant des cohortes dynamiques, qui segmentent les populations membres en fonction d’un ensemble donné de conditions de santé ou d’un autre type de modèle. Ces apprentissages peuvent ensuite être partagés avec les équipes de gestion des soins, qui déterminent ensuite les interventions qui auraient le plus d’impact pour une cohorte donnée.

Enfin, les modèles d’apprentissage automatique peuvent aider les prestataires à effectuer des suspicions cliniques. Cette technologie peut être exploitée pour analyser les données de diagnostic afin de prédire quels patients ont le plus besoin de soins d’urgence et d’identifier les lacunes dans leurs antécédents médicaux.

L’apprentissage automatique peut également aider les prestataires à déterminer si un traitement particulier serait efficace pour un patient, par exemple en analysant l’ensemble des antécédents médicaux d’un patient pour trouver le médicament le plus sûr et le plus efficace qu’un médecin puisse prescrire en fonction du diagnostic.

Q. Comment l’apprentissage automatique peut-il aider les organisations de prestataires de soins de santé avec le codage médical ?

UN. Les prestataires sont souvent complets dans leurs processus de documentation, mais il peut être difficile de traduire ces données en un seul des plus de 72 000 codes de diagnostic de la CIM-10.

Alors que les organisations prestataires s’efforcent d’améliorer la qualité des données, elles peuvent choisir d’utiliser et de mettre à l’échelle la technologie de l’IA pour aider à améliorer l’efficacité et la qualité du codage médical tout au long du continuum d’ajustement des risques de manière prospective, simultanée et rétrospective.

Avant et pendant la visite, les algorithmes d’apprentissage automatique peuvent analyser rapidement les informations médicales du patient et présenter au prestataire un instantané en temps réel de l’état de santé du patient.

Les cliniciens peuvent consacrer moins de temps à des tâches administratives fastidieuses et, à la place, consacrer plus de temps à fournir des soins ciblés et opportuns au patient. De plus, le codage prospectif alimenté par l’apprentissage automatique peut révéler des conditions chroniques qui ont été documentées dans le passé mais pas au moment de la visite.

L’apprentissage automatique peut analyser intelligemment et automatiquement les informations non structurées dans le DSE pour identifier le code le plus précis. Par exemple, il peut également être utilisé rétrospectivement pour augmenter à la fois la vitesse et la précision du codage, ce qui permet aux organisations prestataires de gagner du temps et de réduire les coûts, ce qui leur permet de diriger davantage de ressources là où elles sont le plus nécessaires.

Ceci, à son tour, aide les groupes de prestataires à respecter les mesures de qualité, à suivre les performances et à s’assurer que les patients sont évalués régulièrement.

Q. Qu’est-ce qui empêche les soins de santé de progresser davantage avec l’apprentissage automatique ?

UN. Le facteur le plus important qui contribue à l’hésitation des soins de santé à adopter l’apprentissage automatique est les obstacles auxquels l’industrie est confrontée pour devenir plus interopérable. La concurrence et le manque de coordination qui en résulte entre les systèmes de santé ont entraîné une myriade de défis.

Qu’il s’agisse de normes techniques incohérentes, de politiques de confidentialité des informations de santé divergentes, d’approches différentes pour obtenir le consentement du patient ou de la difficulté à coordonner les principaux DSE, les organisations de santé doivent surmonter de nombreux obstacles dans leur quête d’interopérabilité.

Cela crée une lacune dans les données entre les différentes applications et réseaux de DSE, créant des silos dans les données qui éclaireraient les interventions les plus urgentes et les plus percutantes pour les patients.

Pour aggraver tout cela, le paysage réglementaire des soins de santé continue de devenir de plus en plus complexe, avec des révisions des règles pour les programmes parrainés par le gouvernement sur une base annuelle. Cela ajoute aux doutes des fournisseurs quant à savoir si des technologies telles que l’apprentissage automatique peuvent s’adapter à ces changements réglementaires constants.

Le scepticisme existera toujours à l’égard de toute technologie émergente, en particulier lorsque les fournisseurs se voient présenter des solutions de boîte noire à taille unique qui ne les équipent pas efficacement pour fournir de meilleurs soins à leurs patients.

Les fournisseurs de technologies qui proposent des solutions qui tirent parti de la technologie d’apprentissage automatique doivent expliquer en toute transparence comment ils peuvent améliorer l’efficacité des flux de travail et réduire la charge administrative, ce qui donne aux prestataires plus de temps pour se concentrer sur la prestation des soins.

Les fournisseurs doivent servir de ressource et de partenaire constants tout au long du processus de mise en œuvre et au-delà, en s’assurant que leurs solutions fonctionnent en permanence pour mieux comprendre la population des membres de l’organisation fournisseur et améliorer les résultats pour les patients.

Twitter:@SiwickiHealthIT
Envoyez un courriel à l’auteur : bsiwicki@himss.org
Healthcare IT News est une publication HIMSS Media.