Context-Aware Emergency Department Triage Using Pairwise Comparisons and Bradley-Terry Aggregation

Cette étude démontre qu'une approche de triage des urgences basée sur des comparaisons par paires et un modèle de Bradley-Terry enrichi par un grand modèle de langage (LLM) surpasse l'indice de gravité des urgences (ESI) et maintient une stabilité supérieure aux modèles supervisés lors de la validation externe, sans nécessiter de données d'entraînement spécifiques au site.

L'essentiel

🚑 Le Problème : La file d'attente du chaos

Imaginez une salle d'attente de urgences (les "urgences" en français) comme une grande salle remplie de gens qui attendent.
Actuellement, le système pour décider qui voir en premier fonctionne un peu comme un distributeur de tickets :

1. Chaque personne prend un ticket avec un numéro de couleur (de 1 à 5) basé sur ses symptômes.
2. Si deux personnes ont la même couleur, la règle est simple : "Qui est arrivé en premier, est servi en premier" (comme une file d'attente de supermarché).

Le problème ? Ce système ne compare pas les gens entre eux. Une personne avec un "numéro 3" qui arrive 10 minutes après une autre personne avec un "numéro 3" sera servie après, même si elle est en train de s'effondrer et que l'autre a juste un mal de dents. Le système actuel ne "regarde" pas la file d'attente dans son ensemble pour voir qui est le plus en danger par rapport aux autres.

🧠 La Solution : Le Grand Arbitre Intelligent

Les chercheurs ont proposé une nouvelle méthode. Au lieu de donner un ticket individuel, ils ont créé un système de classement dynamique, un peu comme un tournoi de tennis ou un classement de course à pied.

Voici comment cela fonctionne, étape par étape :

1. Le "Carnet de Notes" (La Capsule) : Pour chaque patient qui arrive, le système crée un petit résumé de sa situation (âge, symptômes, historique médical, médicaments).
2. Le Juge (L'IA) : Au lieu de donner un score isolé, une intelligence artificielle (un "Grand Juge" très savant) compare le nouveau patient avec quelques autres patients déjà dans la file d'attente.
   • La question posée au Juge : "Entre le nouveau patient A et le patient B qui attend déjà, lequel a le plus besoin d'être vu maintenant ?"
3. L'Aggrégation (Le Classement) : Le système répète cette comparaison plusieurs fois pour chaque nouveau venu. Ensuite, il utilise une formule mathématique (appelée Bradley-Terry) pour réorganiser toute la file d'attente en fonction de ces duels.
   • L'analogie : Imaginez un entraîneur de sport qui ne regarde pas juste les statistiques d'un joueur, mais qui le compare directement à ses coéquipiers pour décider qui doit entrer sur le terrain en premier.

🤖 Le "Super-Juge" vs Le "Juge Classique"

L'étude a testé plusieurs types de juges :

• Le Juge Basique (ESI) : Le système actuel, qui regarde juste quelques signes vitaux (température, pouls).
• Le Juge Robot (XGBoost) : Un programme d'intelligence artificielle classique, très fort, mais qui doit être "éduqué" spécifiquement pour chaque hôpital avec des milliers d'exemples locaux.
• Le Super-Juge (LLM-Enriched) : C'est le héros de l'histoire. C'est une intelligence artificielle très avancée (comme un chatbot très intelligent) qui lit tout le dossier médical : les noms précis des maladies, les médicaments exacts, et les détails du dossier.

🌍 Le Résultat Magique : La Stabilité

C'est ici que la magie opère. Les chercheurs ont testé leur système dans deux hôpitaux différents (un au Texas, un autre virtuel basé sur des données publiques).

• Le Juge Robot (XGBoost) : Il était excellent dans le premier hôpital (comme un élève qui a appris par cœur le manuel de l'école A). Mais quand on l'a envoyé dans le deuxième hôpital (école B) sans le rééduquer, il a beaucoup moins bien performé. Il a perdu ses repères.
• Le Super-Juge (LLM) : Il a été tout aussi bon dans les deux hôpitaux, sans aucune rééducation. Pourquoi ? Parce qu'il utilise sa "culture médicale" générale. Il comprend que "diabète + douleur thoracique" est dangereux, peu importe si le patient est à Dallas ou à Boston.

💡 En Résumé : Pourquoi c'est important ?

Cette étude montre que pour trier les urgences, comparer les gens entre eux est mieux que de leur donner un score individuel.

• Avantage 1 : On repère mieux les patients qui vont s'aggraver rapidement (ceux qui risquent de mourir ou d'avoir besoin de soins intensifs).
• Avantage 2 : Le système fonctionne partout, sans avoir besoin de collecter des années de données locales pour s'entraîner. C'est comme si vous aviez un médecin expert qui arrive dans un nouvel hôpital et qui est opérationnel immédiatement.
• Avantage 3 : Cela réduit le temps d'attente pour les cas graves. Dans l'étude, les patients les plus graves ont été vus beaucoup plus vite avec ce nouveau système.

L'image finale :
Imaginez que la file d'attente est un bocal de bonbons. L'ancien système prenait les bonbons un par un et disait "Celui-ci est rouge". Le nouveau système regarde tout le bocal et dit : "Attends, ce bonbon rouge est plus fragile que les autres, il faut le manger en premier !"

C'est une façon plus intelligente, plus humaine et plus sûre de gérer le chaos des urgences.

Résumé technique

1. Problématique

Les systèmes de triage en salle d'urgence (ED) actuels, tels que l'Indice de Sévérité des Urgences (ESI) ou le score NEWS2, fonctionnent principalement comme des classificateurs. Ils attribuent un niveau d'urgence individuel à chaque patient, mais ne répondent pas directement à la question opérationnelle critique : « Quel patient doit être vu en premier parmi ceux qui attendent actuellement ? ».

Les limites de l'approche actuelle sont multiples :

• Absence de contexte de file d'attente : Le triage standard ne prend pas en compte les autres patients en attente. Au sein d'une même catégorie (ex: ESI-3), l'ordre est souvent déterminé par un système « premier arrivé, premier servi » (FIFO), ce qui peut retarder des patients à haut risque.
• Problèmes de généralisation : Les modèles d'apprentissage automatique supervisés (ML) nécessitent de grandes quantités de données étiquetées spécifiques à chaque site pour être entraînés, limitant leur transférabilité entre différents hôpitaux.
• Opportunité d'amélioration : La priorisation de la file d'attente est intrinsèquement un problème de classement (ranking) relatif plutôt qu'un problème de classification absolue.

2. Méthodologie

Les auteurs proposent une approche de triage basée sur le classement par paires (pairwise ranking) agrégée via un modèle de Bradley-Terry, utilisant des comparaisons cliniques pour déterminer l'ordre de la file d'attente.

Données et Validation

• Données de développement (Site A) : Dataset MC-MED (118 385 visites).
• Validation externe (Site B) : Dataset MIMIC-IV-ED (425 087 visites).
• Critère de jugement principal : Détérioration clinique dans les 6 heures (admission en réanimation, intubation, vasopresseurs, ventilation mécanique ou décès).
• Simulation : 1 000 shifts simulés pour le Site A et 500 pour le Site B, avec une modélisation du temps d'attente en fonction de la position dans la file.

Architecture du Modèle

1. Construction de la « capsule de triage » : Pour chaque patient, un ensemble de données est extrait (démographie, signes vitaux, motif de consultation, antécédents médicaux, médicaments). Deux formats sont testés :
   • Structuré : Résumé binaire et comptages (~200 tokens).
   • Enrichi : Descriptions complètes des diagnostics et noms des médicaments (~350 tokens).
2. Comparaison par paires : Lorsqu'un nouveau patient arrive, il est comparé à 3 à 5 « ancres » (sentinelles) sélectionnées dans la file d'attente actuelle selon leur score de sévérité.
3. Fonction de comparaison (Juge) :
   • BT-Heuristic : Basé sur des règles déterministes (NEWS2).
   • BT-LLM : Utilisation d'un Grand Modèle de Langage (GPT-4.1) avec la capsule structurée.
   • BT-LLM-Enriched : Utilisation de GPT-4.1 avec la capsule enrichie (diagnostics complets).
4. Agrégation (Modèle Bradley-Terry) : Les résultats des comparaisons binaires (« Quel patient est plus grave ? ») sont agrégés pour estimer un score de sévérité latent ($\theta$) pour chaque patient, générant un classement cohérent de la file d'attente.

Comparateurs

Le modèle est comparé à :

• FIFO (Premier arrivé, premier servi).
• ESI (Standard de soins).
• NEWS2.
• XGBoost (Modèle supervisé entraîné sur le Site A, appliqué sans réentraînement sur le Site B).

3. Contributions Clés

• Reformulation du problème : Passage d'une logique de classification individuelle à une logique de classement contextuel relatif.
• Stabilité « Zero-Shot » : Démonstration qu'un modèle basé sur LLM (sans réentraînement local) maintient ses performances lors du transfert vers un nouveau site, contrairement aux modèles supervisés qui souffrent de dégradation.
• Impact de la richesse des données : Preuve que la granularité des informations cliniques (diagnostics textuels vs. drapeaux binaires) améliore significativement la capacité du LLM à raisonner sur les risques complexes.
• Réduction des biais potentiels : Le modèle LLM semble réduire les disparités observées avec l'ESI concernant le mode d'arrivée (SAMU vs. auto-transport).

4. Résultats

Sur le dataset de développement (MC-MED)

• Recall@5 (Principale métrique) : Le modèle BT-LLM-Enriched a significativement surpassé l'ESI (0,587 vs 0,491, p<0,001), identifiant 9,6 % de plus de patients à risque dans le top 5 de la file.
• Performance du XGBoost : Le modèle supervisé a obtenu le meilleur Recall@5 (0,648), mais nécessite un entraînement spécifique au site.
• Gain par rapport aux heuristiques : L'utilisation de GPT-4.1 avec des capsules enrichies a surpassé les heuristiques pures (BT-Heuristic) et les modèles LLM avec capsules structurées.

Sur la validation externe (MIMIC-IV-ED)

• Stabilité du LLM : Le modèle BT-LLM-Enriched a maintenu une performance stable (AUROC 0,826 $\to$ 0,831) entre les deux sites.
• Dégradation du modèle supervisé : Le XGBoost (entraîné sur Site A) a vu ses performances chuter significativement en AUROC (0,892 $\to$ 0,807) et en Recall@5 (0,648 $\to$ 0,502) sur le Site B.
• Comparaison finale : Sur le site externe, BT-LLM-Enriched et XGBoost étaient statistiquement indistinguables sur la plupart des métriques, bien que le LLM ait offert un temps d'attente maximal (95e percentile) significativement inférieur pour les patients détériorés.
• Équité : Contrairement à l'ESI qui a montré un biais significatif (moins de patients détériorés du SAMU classés en top 5), le modèle BT-LLM-Enriched n'a pas montré de disparité significative selon le mode d'arrivée.

Coûts

Le coût d'inférence est estimé à environ 0,01 $ par patient, soit ~1,50 $ par jour pour un service de 150 patients, rendant l'approche économiquement viable.

5. Signification et Conclusion

Cette étude démontre que le classement par paires agrégé par un modèle Bradley-Terry et piloté par un LLM constitue une avancée majeure pour le triage en salle d'urgence.

• Avantage opérationnel : Contrairement aux scores absolus, cette méthode optimise directement l'ordre de consultation, réduisant le temps d'attente des patients les plus critiques.
• Interopérabilité : La capacité du modèle LLM à fonctionner en mode « zero-shot » (sans données d'entraînement locales) résout le problème majeur de la généralisation des modèles d'IA médicale entre différents hôpitaux.
• Support décisionnel : L'approche est conçue comme une couche d'aide à la décision pour les infirmières, réduisant la charge cognitive et les biais d'ancrage, tout en préservant le jugement clinique humain.

En conclusion, cette méthode offre une alternative robuste aux modèles supervisés traditionnels, capable d'identifier plus efficacement les patients à risque de détérioration immédiate tout en étant adaptable à divers environnements cliniques sans nécessiter de réentraînement coûteux.