Le système d'IA transforme les dossiers médicaux complexes en récits lisibles pour de meilleurs soins

Le système d'IA transforme les dossiers médicaux complexes en récits lisibles pour de meilleurs soins

Les chercheurs de l'UCLA ont développé un système d'IA qui transforme les dossiers de santé électroniques (DSE) normalement fragmentés en feuilles de calcul en récits lisibles, permettant à l'intelligence artificielle de comprendre les antécédents complexes des patients et d'utiliser ces récits pour effectuer une aide à la décision clinique avec une grande précision. Le modèle d'intégration multimodale pour le DSE (MEME) transforme les données tabulaires sur la santé en « pseudonotes » qui reflètent la documentation clinique, permettant ainsi à des modèles d'IA d'analyser plus efficacement les informations textuelles.

Pourquoi est-ce important

Les dossiers de santé électroniques contiennent de grandes quantités d’informations sur les patients qui pourraient aider les médecins à prendre des décisions plus rapides et plus précises en cas d’urgence. Cependant, la plupart des modèles d’IA de pointe fonctionnent avec du texte, tandis que les données hospitalières sont stockées dans des tableaux complexes comportant des chiffres, des codes et des catégories. Cette inadéquation a empêché les systèmes de santé de tirer pleinement parti des capacités avancées de l’IA. Les services d'urgence, où des décisions rapides peuvent être essentielles, ont particulièrement besoin d'outils capables de traiter rapidement des recensements complets de patients afin de prédire les résultats et d'orienter les décisions de traitement.

Ce que l’étude a fait

Les chercheurs ont créé une nouvelle approche qui convertit les dossiers de santé électroniques tabulaires en « pseudonotes » textuelles à l'aide de liens de documentation médicale couramment utilisés par les prestataires de soins de santé. En d’autres termes, au lieu de traiter le DSE comme un ensemble de codes, les Pseudonotes créent une histoire composée de multiples récits. Le système divise les données des patients en blocs spécifiques à un concept (médicaments, paramètres vitaux de triage, diagnostics, etc.), convertit chacun en texte à l'aide de modèles simples, puis encode chacun d'entre eux à l'aide de modèles de langage. Il imite essentiellement une forme de pensée médicale.

Ils ont ensuite transmis ce texte à des modèles linguistiques avancés, traitant différents types d'informations sur la santé, telles que les résultats de laboratoire, les diagnostics et les médicaments, comme des flux de données distincts mais liés. L’équipe a testé son système par rapport aux méthodes traditionnelles d’apprentissage automatique, aux modèles d’apprentissage automatique dédiés à l’IA et aux approches basées sur des tâches de prédiction des services d’urgence du monde réel.

Ce qu'ils ont trouvé

Dans plus de 1,3 million de services d’urgence provenant des ensembles de données du Medical Information Mart for Intensive Care (MIMIC) et de l’UCLA, MEME a surpassé les approches existantes dans plusieurs tâches pour prendre en charge plusieurs services d’urgence. L’approche textuelle multimodale, qui traite séparément différentes composantes des dossiers de santé, a obtenu de meilleurs résultats que la tentative de combiner toutes les informations en une seule représentation. Le système a démontré des performances supérieures par rapport aux techniques traditionnelles d'apprentissage automatique, aux modèles de base spécifiques au DSE tels que CLMBR et Clinical Longformer, et aux méthodes de construction standard. L’approche a également démontré une bonne portabilité entre différents systèmes hospitaliers et normes de codage.

Quelle est la prochaine étape ?

L'équipe de recherche prévoit de tester l'efficacité du MEME dans d'autres contextes cliniques au-delà des services d'urgence pour valider son applicabilité plus large. Ils souhaitent également remédier aux limites observées en matière de généralisabilité entre les modèles et veiller à ce que le système fonctionne de manière cohérente dans différents contextes de soins de santé. Les travaux futurs se concentreront sur l’élargissement de l’approche pour intégrer de nouveaux concepts médicaux et développer des normes en matière de données de santé, rendant ainsi l’IA avancée plus accessible aux systèmes de santé.

Des experts

"Cela comble un fossé critique entre les modèles d'IA disponibles aujourd'hui et la réalité complexe des données de santé", a déclaré Simon Lee, doctorant à l'UCLA Computational Medicine. « En transformant les dossiers hospitaliers dans un format que les modèles linguistiques avancés peuvent comprendre, nous débloquerons des capacités auparavant inaccessibles aux prestataires de soins de santé. Le fait que cette approche soit plus portable et plus adaptable que les systèmes d'IA de santé existants pourrait la rendre particulièrement utile pour les institutions travaillant avec différentes normes de données. »

Sources :