Conditional outlier detection for clinical alerting

Énoncé du problème
Les erreurs médicales demeurent un problème persistant et grave dans la pratique des soins de santé. Bien que des outils informatiques actuels de surveillance des patients existent, ils sont principalement basés sur la connaissance, reposant sur des règles extraites a priori d'experts cliniciens. Ces systèmes sont longs à construire et souffrent souvent d'une couverture clinique incomplète. Les auteurs proposent une alternative fondée sur les données : un cadre de surveillance et d'alerte qui utilise les informations cliniques stockées à partir de cas de patients antérieurs pour identifier les valeurs aberrantes statistiques (anomalies) dans les actions de prise en charge des patients. L'hypothèse centrale est que les actions de prise en charge des patients qui sont inhabituelles par rapport aux patients précédents et à leurs conditions spécifiques peuvent indiquer des erreurs médicales potentielles, justifiant une alerte clinique.

Méthodologie
L'article présente un cadre pour la détection d'anomalies conditionnelles, qui identifie les actions de prise en charge des patients qui sont hautement inhabituelles compte tenu de l'état spécifique d'un patient et des données historiques. La méthodologie se déroule en trois étapes principales :

1. Segmentation et transformation :

   • Les données complexes de séries temporelles multivariées provenant des dossiers médicaux électroniques (DME) — incluant les analyses de laboratoire, les médicaments, les procédures et les diagnostics — sont segmentées à des points discrets dans le temps (par exemple, toutes les 24 heures).
   • Les données observées jusqu'à un point de segmentation sont transformées en une représentation dans un espace vectoriel de l'état du patient ($x$). Cette représentation utilise un ensemble fixe de caractéristiques pour résumer les informations temporelles, incluant :
     • Caractéristiques de laboratoire : Pour les résultats catégoriels, les caractéristiques incluent les dernières valeurs et les avant-dernières valeurs, ainsi que le temps écoulé depuis la dernière valeur. Pour les valeurs continues ou ordinales, les caractéristiques incluent les pentes, les pourcentages de variation, le nadir (minimum) et l'apex (maximum).
     • Caractéristiques médicamenteuses : Indicateurs de l'utilisation actuelle, temps écoulé depuis la première administration, temps écoulé depuis la dernière administration, et temps écoulé depuis le dernier changement de prescription.
     • Caractéristiques de procédure : Indicateurs de savoir si une procédure a été réalisée, temps écoulé depuis la première réalisation, et temps écoulé depuis la dernière réalisation.
   • Les actions de prise en charge des patients ($y$) survenant entre les points de segmentation sont liées à l'état du patient précédent. Les actions sont binaires (vrai/faux), représentant si un laboratoire spécifique a été commandé ou si un médicament a été administré.

2. Apprentissage de modèles prédictifs :

   • Le système apprend un modèle prédictif pour la distribution conditionnelle $P(y | x)$ pour des actions de gestion spécifiques (commandes de laboratoire et commandes/continuations de médicaments).
   • Les machines à vecteurs de support (SVM) sont utilisées comme modèle d'apprentissage discriminatif pour séparer les classes d'actions.
   • Pour gérer la haute dimensionnalité des caractéristiques (milliers de variables potentielles), un processus de sélection de caractéristiques gloutonne est employé. Les caractéristiques sont regroupées par catégorie (par exemple, toutes les caractéristiques d'hémoglobine). Les groupes sont évalués par validation croisée interne (en utilisant l'AUC) et ajoutés progressivement au modèle s'ils améliorent les performances prédictives.
   • Des sorties probabilistes sont dérivées de la frontière de décision SVM en utilisant la méthode de mise à l'échelle de Platt pour estimer $P(y=1 | x)$.

3. Détection d'anomalies et alertes :

   • Score d'anomalie : Le degré d'anomalie pour une action $y$ étant donné l'état $x$ est calculé comme $Anom(x, y) = 1 - P(y | x)$. Une faible probabilité de l'action observée implique un score d'anomalie élevé.
   • Score d'alerte : Pour résoudre le problème que les états des patients changent au fil du temps, le système évalue l'anomalie d'une action $y_{t-1}$ par rapport à la fois à l'état du patient au moment de l'action ($x_{t-1}$) et à l'état subséquent ($x_t$). Le score d'alerte est défini comme le minimum de ces deux scores d'anomalie : $Alert(x_t, y_{t-1}) = \min(Anom(x_{t-1}, y_{t-1}), Anom(x_t, y_{t-1}))$. Une alerte est déclenchée si ce score dépasse un seuil, garantissant que l'écart est persistant à travers les étapes de temps consécutives.

Évaluation et résultats
Le cadre a été évalué à l'aide de données rétrospectives provenant de 4 486 patients post-chirurgie cardiaque dans un grand hôpital universitaire de Pittsburgh.

• Division des données : Les données ont été divisées en un ensemble d'entraînement (avant 2005) et un ensemble de test (2005 et ultérieur). Le processus de segmentation a produit 51 492 instances d'état de patient (30 828 pour l'entraînement, 20 664 pour le test).
• Sélection du modèle : Seuls les modèles avec une aire sous la courbe (AUC) de 0,68 ou supérieure ont été utilisés.
• Examen par des experts : À partir de l'ensemble de test, 222 alertes ont été sélectionnées pour évaluation par un panel de 15 experts en soins intensifs (boursiers et professeurs). Les critères de sélection incluaient un score d'anomalie minimum de 0,15 et un accent sur les anomalies les plus fortes.
• Constats :
  • En utilisant une règle majoritaire (2 sur 3 examinateurs), 121 des 222 alertes (54,5 %) ont été jugées cliniquement utiles.
  • Il existe une corrélation positive entre le score d'alerte et le taux réel d'alertes. Les alertes avec des scores faibles avaient un taux réel d'utilité de 19 %, tandis que celles avec des scores élevés atteignaient 72 %.
  • L'analyse ROC a produit une AUC de 0,64, qui est statistiquement significativement différente de 0,5 (chance aléatoire), confirmant que des scores d'alerte plus élevés sont indicatifs de taux réels d'alertes plus élevés.

Contributions clés et importance
L'article prétend présenter l'évaluation la plus complète de leur méthodologie de valeurs aberrantes conditionnelles à ce jour. Ses contributions principales incluent :

• Approche fondée sur les données : Démontrer que l'alerte basée sur les anomalies peut servir de complément, ou de système autonome, à l'alerte basée sur la connaissance, en particulier dans les sous-domaines cliniques où les règles d'experts ne sont pas encore disponibles.
• Cadre conditionnel : Aller au-delà de la simple détection d'anomalies vers une approche conditionnelle où les actions sont évaluées par rapport à des états de patients spécifiques et à des données historiques.
• Validation clinique : Fournir des preuves empiriques que les anomalies statistiques dans la prise en charge des patients sont positivement corrélées avec des alertes cliniquement significatives, soutenant l'hypothèse que cette approche peut aider à identifier les erreurs médicales.
• Évolutivité : Construire et tester avec succès des modèles sur des milliers de caractéristiques de patients et des centaines d'actions extraites de DME réels.

Les auteurs concluent que bien que toutes les valeurs aberrantes statistiques ne correspondent pas à des erreurs, la méthode est « valable » pour déclencher des alertes en raison de sa capacité à signaler les erreurs assez souvent pour être cliniquement utile, avec des taux d'alertes fausses raisonnablement bas. Des travaux futurs sont prévus pour affiner les caractéristiques temporelles, explorer différentes discrétisations du temps et évaluer le système dans des domaines cliniques supplémentaires.