Machine Learning-Supported Efficient VTE Risk Assessment using Routinely Collected Electronic Health Record Data
Cette étude démontre que les modèles d'apprentissage automatique utilisant des données de dossiers de santé électroniques collectées de routine peuvent soutenir efficacement l'évaluation en temps réel du risque de thromboembolie veineuse avec une validité clinique comparable aux facteurs consignés par les cliniciens, offrant ainsi une solution viable pour réduire la charge de documentation tout en maintenant la sécurité des patients.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les hôpitaux sont des lieux où les défenses de l'organisme sont souvent au plus bas. Lorsqu'une personne est admise pour une chirurgie ou une maladie grave, le flux naturel du sang dans les veines peut ralentir, et la réponse au stress de l'organisme peut rendre le sang plus susceptible de coaguler. Ces caillots, connus sous le nom de thromboembolie veineuse, peuvent se former dans les jambes et voyager jusqu'aux poumons, provoquant une obstruction qui est une cause majeure de décès évitables en milieu hospitalier. Pour empêcher cela, les directives médicales exigent que les médecins et les infirmiers examinent chaque patient adulte dès son arrivée. Ils doivent remplir un formulaire spécifique qui pose une série de questions sur les antécédents de santé du patient, son état actuel et sa mobilité. En fonction des réponses, l'équipe médicale décide si le patient a besoin de bas de contention spéciaux, d'un médicament anticoagulant, ou des deux. Ce processus est censé être un filet de sécurité, captant les risques avant qu'ils ne deviennent des urgences.
Cependant, remplir ces formulaires est une tâche manuelle qui repose sur un être humain lisant un dossier, se souvenant de l'historique d'un patient et tapant les réponses dans un ordinateur. Cela crée un fossé entre ce que le système informatique de l'hôpital sait déjà d'un patient et ce que le médecin écrit sur le formulaire. L'ordinateur peut avoir une trace d'une chirurgie passée ou d'un diagnostic de cancer, mais si le médecin ne sélectionne pas manuellement ces éléments sur la liste de contrôle, le système traite le patient comme étant à moindre risque qu'il ne l'est réellement. Cette étude, menée dans cinq grands hôpitaux de Londres, a posé une question simple mais critique : le propre ordinateur de l'hôpital pourrait-il remplir automatiquement les réponses de ces formulaires de sécurité, faisant gagner du temps aux médecins et garantissant qu'aucun facteur de risque ne soit oublié ?
Les chercheurs ont examiné une quantité massive de données, analysant près de 580 000 admissions hospitalières sur une période de dix ans. Ils ont constaté que, bien que les médecins soient très doués pour remplir les formulaires — les complétant pour presque 97 % des patients — le moment choisi était souvent inapproprié. En 2015, moins de la moitié de ces formulaires étaient remplis dans les 14 premières heures suivant l'arrivée d'un patient, une fenêtre de temps jugée cruciale par les directives pour prévenir les caillots. En 2024, ce chiffre s'était considérablement amélioré pour dépasser les 90 %, mais le retard demeurait un problème, en particulier pour les patients admis pour des raisons médicales plutôt que chirurgicales. L'étude a également révélé que même lorsque les formulaires étaient remplis, les informations inscrites ne correspondaient pas toujours aux faits déjà stockés dans les dossiers électroniques de l'hôpital.
Lorsque l'équipe a comparé ce que les médecins écrivaient sur les formulaires par rapport à ce que les dossiers informatiques indiquaient, elle a observé un schéma d'omissions de détails. Pour les facteurs courants, comme un patient âgé de plus de 60 ans, les médecins et les dossiers informatiques étaient d'accord la plupart du temps. Mais pour des risques moins fréquents mais graves, les médecins oubliaient souvent de les noter. Par exemple, si un patient était admis en unité de soins intensifs, l'ordinateur le savait, mais le médecin ne le notait sur le formulaire qu'environ 14 % du temps. De même, un antécédent de caillots sanguins dans la famille était enregistré dans l'ordinateur pour de nombreux patients, pourtant les médecins ne le mentionnaient sur le formulaire que pour environ 5 % de ces mêmes patients. Cela signifiait que les formulaires de sécurité manquaient souvent les indices mêmes qui auraient dû déclencher les traitements protecteurs les plus importants.
Pour voir si cette information manquante avait une importance, les chercheurs ont vérifié si les scores de risque sur les formulaires prédisaient réellement qui développerait un caillot de sang. Ils ont trouvé que les patients marqués comme étant à haut risque sur les formulaires étaient effectivement beaucoup plus susceptibles de développer des caillots que ceux marqués comme étant à faible risque, prouvant ainsi l'utilité des formulaires. Cependant, ils ont également découvert que lorsque les médecins écrivaient qu'ils administraient un médicament anticoagulant, cela ne correspondait pas toujours aux registres de la pharmacie. Parfois, un médecin écrivait qu'il avait administré un médicament, mais le registre de la pharmacie n'indiquait rien, et vice versa. Cette incohérence rendait difficile la compréhension de l'efficacité réelle du système actuel pour protéger les patients.
Le cœur de l'étude était une expérience visant à voir si un ordinateur pouvait faire le travail du médecin lors du remplissage du formulaire. Les chercheurs ont construit un modèle d'apprentissage automatique, un type de logiciel qui apprend à partir de données passées, pour examiner les dossiers de santé électroniques et sélectionner automatiquement les facteurs de risque. Ils ont testé ce système sur un groupe de patients et ont comparé ses performances aux formulaires réellement remplis par les médecins. Le modèle informatique, utilisant uniquement les informations disponibles dans les 14 premières heures d'admission, a obtenu des résultats aussi bons que les médecins pour prédire qui développerait un caillot de sang. En fait, l'ordinateur a été capable d'identifier les mêmes patients à haut risque que les médecins, mais il l'a fait en utilisant des données qui étaient déjà présentes dans le système, des données que les médecins avaient souvent négligées lors du remplissage manuel du formulaire.
L'étude suggère que les propres données de l'hôpital sont suffisamment riches pour soutenir ces contrôles de sécurité sans exiger des médecins qu'ils saisissent tout à nouveau de zéro. Les modèles informatiques ont montré qu'ils pouvaient trouver les mêmes schémas de risque que les cliniciens humains et, dans certains cas, ils ont trouvé des facteurs de risque que les humains avaient omis. Les chercheurs ont conclu que la meilleure voie à suivre n'est pas de remplacer le médecin, mais de laisser l'ordinateur pré-remplir le formulaire avec les informations qu'il connaît déjà. Le médecin n'aurait alors qu'à réviser les réponses pré-remplies, les confirmer et ajouter tout nouveau détail. Cette approche réduirait le temps passé par les médecins sur la paperasse, garantirait que les facteurs de risque critiques ne soient pas oubliés et aiderait les hôpitaux à respecter le délai strict de 14 heures pour les évaluations de sécurité. En utilisant les données qui sont déjà là, les hôpitaux pourraient rendre leurs filets de sécurité plus solides et plus fiables, garantissant que la protection appropriée atteigne les bons patients au bon moment.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.