Les chercheurs combinent l’IA avec les données pour améliorer les soins et les résultats des patients

Les chercheurs combinent l’IA avec les données pour améliorer les soins et les résultats des patients

Chenyang Lu, professeur Fullgraf d'informatique et d'ingénierie à l'Université de Washington à la St. Louis McKelvey School of Engineering, combine l'intelligence artificielle avec des données pour améliorer les soins et les résultats des patients.

Mais il ne se contente pas de soigner les patients : il développe également des technologies permettant de surveiller la santé et le bien-être des médecins.

Le laboratoire de Lu a présenté deux articles lors de la conférence ACM SIGKDD de cette année sur la découverte des connaissances et l'exploration de données, qui décrivent tous deux les nouvelles méthodes développées par son équipe - ; avec le personnel de l'École de médecine de l'Université de Washington - ; améliorer les résultats en matière de santé en intégrant l’apprentissage approfondi aux soins cliniques.

Pour les soignants, Lu a abordé l’épuisement professionnel et comment le prédire avant même qu’il ne se produise. Les journaux d'activité sur la façon dont les médecins interagissent avec les dossiers de santé électroniques ont fourni aux chercheurs de grandes quantités de données. Ils ont introduit ces données dans un cadre d'apprentissage automatique développé par Lu et son équipe - ; Prédiction hiérarchique de l'épuisement professionnel basée sur les journaux d'activité (HiPAL) - ; et il a pu extrapoler des modèles significatifs de charge de travail et prédire l'épuisement professionnel à partir de ces données de manière non intrusive et automatisée.

Lorsqu'il s'agit de soins aux patients, les médecins en salle d'opération collectent des quantités importantes de données sur leurs patients, tant pendant les soins préopératoires que pendant la chirurgie - ; Des données que Lu et ses collaborateurs pensaient pouvoir mettre à profit avec l’approche d’apprentissage en profondeur de Lu : Clinical Variational Autoencoder (cVAE).

Grâce à de nouveaux algorithmes développés par le laboratoire Lu, ils ont pu prédire qui subirait une intervention chirurgicale plus longue et qui serait plus susceptible de développer un délire après l’opération. Le modèle a pu convertir des centaines de variables cliniques en seulement 10, qu'il a utilisées pour faire des prédictions précises et interprétables sur des résultats supérieurs aux méthodes actuelles.

Apprenez-en davantage sur les conclusions de l’équipe sur le site Web d’ingénierie.

Lu et ses collaborateurs interdisciplinaires continueront à valider les deux modèles dans l’espoir que tous deux apporteront la puissance de l’IA aux environnements hospitaliers.

Source:

Université de Washington à Saint-Louis

Référence:

Liu, H., et coll. (2022) HiPAL : Un cadre approfondi pour la prévision de l'épuisement professionnel des médecins à l'aide des journaux d'activité dans les dossiers de santé électroniques. KDD '22 : Actes de la 28e conférence ACM SIGKDD sur la découverte des connaissances et l'exploration de données. est ce que je.org/10.1145/3534678.3539056.

.