An Online Survey of Healthcare Professionals to Understand the Use of Clinical Prediction Models in Practice
Cette étude, menée auprès de 157 professionnels de la santé, révèle que bien que les modèles de prédiction clinique soient généralement valorisés et largement utilisés, leur mise en œuvre effective est entravée par des problèmes d'intégration au flux de travail, l'incertitude réglementaire et une adoption incohérente, nécessitant un effort coordonné pour garantir que les modèles soient transparents, conviviaux et rigoureusement validés pour la pratique réelle.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez le corps humain comme une ville immense et bouillonnante où des millions de petits événements se produisent chaque seconde. Les médecins sont les urbanistes qui tentent de maintenir tout cela en bon état de marche, mais parfois, ils ont besoin d'un petit coup de pouce pour prédire les embouteillages, les pannes de courant ou les tempêtes avant qu'ils ne surviennent. C'est là que les Modèles de Prédiction Clinique (MPC) entrent en scène. Ne voyez pas ces modèles comme des boules de cristal magiques, mais plutôt comme des applications météo très sophistiquées pour le corps humain. Ils prennent un ensemble de différents indices — comme l'âge d'une personne, ses antécédents familiaux ou ses symptômes actuels — et calculent les chiffres pour deviner la probabilité d'un événement de santé futur, tel qu'une crise cardiaque ou un accident vasculaire cérébral. Bien que ces outils numériques soient censés être les compagnons ultimes des médecins, permettant de prendre des décisions plus rapidement et plus sûrement, il existe un mystère : pourquoi ne sont-ils pas utilisés partout ? Certains médecins ne jurent que par eux, tandis que d'autres savent à peine qu'ils existent. Comprendre cet écart est crucial car, si nous ne parvenons pas à mettre ces outils utiles entre les mains de ceux qui en ont besoin, nous pourrions passer à côté de la sauvegarde de vies ou de la prévention de maladies.
Ce document est comme un immense sondage mondial de type « levée de main » envoyé aux professionnels de santé pour découvrir exactement ce qui se passe avec ces modèles de prédiction. Les chercheurs, une équipe de l'Université de Liverpool, voulaient savoir : les médecins et les infirmiers utilisent-ils réellement ces outils ? Les aiment-ils ? Et s'ils ne les utilisent pas, qu'est-ce qui les en empêche ? Ils ont demandé à 157 travailleurs de la santé du monde entier (bien que la plupart soient du Royaume-Uni) de remplir un questionnaire en ligne.
Voici ce qu'ils ont découvert : la plupart des personnes interrogées (82 %) savaient que ces modèles existaient, et une solide majorité (71 %) les utilise réellement dans leur travail quotidien. Lorsqu'on leur a demandé à quel point ils étaient utiles, les professionnels leur ont donné une note élevée, avec une médiane de 8 sur 10. Il semble que lorsque ces outils fonctionnent, ils fonctionnent bien. Les modèles les plus populaires sont ceux qui prédisent les risques liés à l'âge, comme le score CHA2DS2-VASc (qui vérifie le risque d'AVC) ou le QRISK (qui examine le risque de crise cardiaque). Curieusement, même si le sondage comprenait beaucoup de médecins spécialisés dans la grossesse et la santé des femmes (obstétrique et gynécologie), les outils spécifiques conçus pour elles étaient étonnamment sous-utilisés par rapport aux outils généraux.
Mais l'histoire devient plus intéressante quand on regarde comment ces outils sont utilisés. Les médecins et les infirmiers ont des opinions très tranchées sur ce qui fait un « bon » outil. Ils veulent que leurs modèles de prédiction soient aussi faciles à saisir qu'un en-cas dans un distributeatrice automatique. Les modes d'accès préférés à ces outils sont les sites web (47 %) et les applications mobiles (33 %). Personne ne veut feuilleter un manuel papier ; ils veulent toucher un écran. En ce qui concerne la visualisation des résultats, ils préfèrent des formats clairs et visuels, comme un simple pourcentage (par exemple, « 15 % de chances ») ou une « carte de chaleur » (une grille codée par couleurs qui montre les niveaux de risque d'un seul coup d'œil).
Cependant, il existe des obstacles sérieux. Les plus grands obstacles ne sont pas que les outils soient basés sur de mauvais calculs ; c'est qu'ils sont souvent difficiles à intégrer dans la journée chargée du médecin. L'enquête a révélé que si un outil n'est pas construit directement dans le système informatique que l'hôpital utilise déjà (comme les dossiers patients informatisés), il est susceptible d'être ignoré. D'autres barrières incluent le fait de ne pas savoir quel est l'outil approprié pour un patient spécifique, l'inquiétude quant à savoir si l'outil est légalement considéré comme un « dispositif médical », et un manque général de formation cohérente. Un médecin a noté que si un outil n'est pas enseigné à la faculté de médecine ou recommandé dans les directives officielles, il est difficile d'amener toute l'équipe à l'utiliser.
Les chercheurs suggèrent que pour que ces outils décollent véritablement, ils doivent être transparents, conviviaux et profondément intégrés dans les logiciels que les médecins utilisent déjà. Ils soulignent également qu'à mesure que l'intelligence artificielle (IA) commence à construire ces modèles, il devient encore plus important de savoir comment le modèle a formulé sa supposition, plutôt que de simplement faire confiance à une « boîte noire ». Le document conclut que, bien que les professionnels de santé apprécient ces modèles, nous devons cesser de simplement les construire et commencer à faire en sorte qu'ils s'adaptent réellement à la pratique sur le terrain, soutenus par des règles claires et une bonne éducation. D'ici là, ces aides numériques pourraient rester dans la boîte à outils, prenant un peu la poussière pendant que les médecins tentent de trouver la meilleure façon de les utiliser.
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.