Sauver des vies en soins intensifs grâce à l’IA

Et si les médecins hospitaliers disposaient d’un outil fiable pour identifier les patients dont l’état de santé risquait le plus de s’aggraver, afin de les orienter de manière proactive vers l’unité de soins intensifs ? Avec près de 6 millions de patients admis chaque année dans les soins intensifs (en anglais, “intensive care unit” ou ICU) aux États-Unis, la question est loin d’être anodine.

Notre recherche, “Robustness of Proactive Intensive Care Unit Transfer”, publiée en janvier 2023 dans Operations Research avec Carri W. Chan et Vineet Goyal (Columbia University) et et Gabriel Escobar (Kaiser Permanente Northern California), repose sur près de 300 000 hospitalisations au sein du réseau Kaiser Permanente Northern California, reconnu comme l’un des meilleurs hôpitaux américains pour le traitement de maladies comme la leucémie ou les infarctus.

Les données montrent qu’en transférant de manière proactive les patients vers les soins intensifs, les hôpitaux réduisent le risque de mortalité et la durée de séjour. Mais le risque d’excès existe : d’autres travaux indiquent que si trop de patients sont envoyés en soins intensifs, ces unités peuvent être saturées, ce qui affecte négativement les chances de survie. Des soins intensifs plein signifie parfois que des patients qui en auraient réellement besoin n’y ont plus accès.

Nos travaux suggèrent qu’une politique proactive de transfert vers les soins intensifs ne peut fonctionner que si trois conditions sont réunies :

1. recalibrer les taux d’admission,
2. ajuster le nombre d’infirmières en soins intensifs
3. évaluer les transferts en fonction des perspectives de rétablissement des patients.

Sans cette cohérence, les décisions médicales risquent de ne pas être optimales.

Un collaborateur clé de cette recherche, Gabriel Escobar, directeur régional de la recherche opérationnelle hospitalière chez Kaiser Permanente Northern California, nous a fourni des données anonymisées inédites sur les hospitalisations de 21 établissements du réseau. Grâce à ces données, nous avons construit un modèle de simulation qui reproduit le fonctionnement réel d’un hôpital : taux d’admission et de sortie, évolution des pathologies, interactions avec le système. Cette micro-modélisation nous permet de suivre chaque patient simulé comme s’il s’agissait d’un patient réel, et de tester différents scénarios d’admissions et de transferts.

Pour concevoir ce modèle, nous avons utilisé le cadre mathématique appelé Markov Decision Process (MDP), très répandu en IA. Il permet d’analyser une suite de décisions prises dans le temps, chaque choix étant influencé uniquement par les décisions antérieures. Nous avons ensuite conçu une méthode d’optimisation, fondée sur un modèle de machine learning, afin d’évaluer l’impact de différentes politiques de transfert.

Lors des simulations, nous avons constaté que de simples ajustements pouvaient avoir un effet significatif sur la survie globale des patients hospitalisés.

Une question demeure : faut-il confier ces transferts uniquement aux algorithmes ? Nous pensons que l’humain doit garder le dernier mot, mais qu’il peut utilement s’appuyer sur les recommandations de l’IA.

Notre recherche encourage la mise en place de règles de décision simples fondées sur des indicateurs de santé couramment utilisés et sur des seuils précis. Ces politiques dites « à seuil » sont faciles à déployer et aisément interprétables. En combinant micro-modélisation et algorithmes d’aide à la décision, les hôpitaux peuvent — et doivent — viser de meilleurs résultats pour les patients.

Une traduction assistée par LLM.