Enhancing Patient Experience Using Machine Learning and Deep Learning Based Sentiment Analysis

Dans le monde moderne de la santé, la qualité des soins ne se mesure plus uniquement par les résultats médicaux ou la rapidité d'un diagnostic. De plus en plus, l'expérience même du patient est devenue une métrique centrale de succès. Lorsqu'une personne visite un hôpital, elle laisse derrière elle une trace de pensées, de plaintes et d'éloges, souvent partagées sous forme de texte non structuré sur des sites web, des forums et les réseaux sociaux. Ces milliers d'histoires individuelles contiennent une mine d'informations sur ce qui fonctionne et ce qui échoue, mais elles sont trop vastes et désordonnées pour que le personnel humain puisse les lire et les analyser une par une. Pour donner un sens à ce bruit numérique, les chercheurs se tournent vers un domaine de l'informatique connu sous le nom d'analyse de sentiment. Il s'agit du processus consistant à apprendre aux machines à lire du texte et à comprendre l'émotion derrière les mots, en distinguant la joie, la colère et l'indifférence. En automatisant cette tâche, les prestataires de soins de santé peuvent passer de l'estimation de ce que ressentent les patients à la connaissance exacte de ce qu'ils ressentent, leur permettant ainsi de corriger des problèmes spécifiques et d'adapter leurs services aux besoins humains réels.

Une équipe de chercheurs provenant de plusieurs universités indiennes s'est donné pour mission d'appliquer cette technologie à la réalité complexe des soins aux patients. Ils ont rassemblé une collection massive d'environ 10 000 avis écrits provenant de 21 hôpitaux différents répartis dans diverses villes en Inde. Ces avis comprenaient un mélange de commentaires positifs, de plaintes négatives et d'observations neutres. L'objectif n'était pas seulement de compter combien de personnes étaient satisfaites ou mécontentes, mais de construire un système sophistiqué capable de comprendre le sens profond de ces mots et de découvrir les thèmes cachés qui dictent ces sentiments. Pour ce faire, les chercheurs ont testé une large gamme de modèles informatiques, allant des méthodes statistiques traditionnelles aux systèmes d'intelligence artificielle avancés conçus pour imiter la façon dont le cerveau humain traite le langage.

Le processus a commencé par le nettoyage des données brutes, une étape nécessaire pour préparer le texte à l'analyse. Les chercheurs ont supprimé la ponctuation, converti toutes les lettres en minuscules et retiré les mots communs comme « le » ou « et » qui ne portent aucun poids émotionnel. Ils ont également standardisé la langue, s'assurant que des variations telles que « courir » et « couru » soient traitées comme le même concept. Une fois le texte organisé, ils l'ont injecté dans plusieurs types d'algorithmes différents. D'abord, ils ont utilisé des techniques d'apprentissage automatique établies, incluant Random Forest, Decision Trees et un outil puissant appelé XGBoost. Ces modèles fonctionnaient en examinant la fréquence et l'importance de mots spécifiques pour deviner le sentiment d'un avis. Parmi ceux-ci, le modèle XGBoost s'est avéré le plus efficace, classant correctement les avis avec une précision de près de 90 pour cent. Il était particulièrement performant pour identifier les nuances des retours positifs, bien qu'il ait rencontré un peu plus de difficultés avec les catégories négatives et neutres plus complexes.

Pour aller plus loin, l'équipe a employé une seconde couche de technologie connue sous le nom d'apprentissage profond (deep learning). Ces modèles sont conçus pour comprendre le contexte et la séquence des mots, tout comme une personne comprend que le sens d'une phrase change en fonction de l'ordre de ses mots. Ils ont testé quatre architectures différentes : Simple RNN, LSTM, GRU et Bidirectional LSTM. Ces systèmes ont été entraînés à lộng de deux méthodes différentes de représentation des mots sous forme de nombres, connues sous les noms de Word2Vec et GloVe, qui permettent à l'ordinateur de comprendre que certains mots sont sémantiquement liés. Les résultats ont montré que les modèles d'apprentissage profond surpassaient de manière significative les modèles traditionnels. Le meilleur performeur était le modèle Bidirectional LSTM, qui a atteint une précision de plus de 96 pour cent. Ce modèle était unique car il lisait le texte dans les deux sens, du début à la fin et de la fin au début, ce qui lui permettait de capturer le contexte complet d'une phrase plus efficacement que les modèles qui ne lisent que dans une seule direction.

Bien que la haute précision de ces modèles soit impressionnante, les chercheurs voulaient savoir plus que si un avis était bon ou mauvais. Ils voulaient savoir de quoi les avis parlaient réellement. Pour découvrir ces thèmes cachés, ils ont utilisé une technique appelée modélisation thématique (topic modeling). Cette méthode regroupe les mots qui apparaissent fréquemment ensemble pour révéler les sujets sous-jacents de la conversation. Lorsqu'ils ont appliqué cela aux avis négatifs, positifs et neutres, le modèle a identifié des grappes de mots spécifiques caractéristiques de chaque catégorie de sentiment. Les chercheurs ont sélectionné les principaux mots contributeurs pour chaque sujet afin de décrire les thèmes clés survenant au sein des différentes catégories de sentiments, leur permettant de comparer les sujets qui généraient des sentiments positifs par rapport à ceux qui causaient de l'insatisfaction. Cette capacité à séparer le ton émotionnel du sujet spécifique a permis aux chercheurs de voir exactement quels aspects des soins hospitaliers favorisaient la satisfaction ou l'insatisfaction des patients.

L'étude a également exploré l'utilisation d'un modèle très avancé appelé BERT, basé sur un système pré-entraîné qui a déjà appris une vaste quantité de langage à partir d'Internet. Les chercheurs ont explicitement appliqué ce modèle Transformer à des fins de comparaison avec les autres algorithmes testés, détaillant son architecture et sa configuration d'entraînement pour évaluer ses performances. Bien que BERT soit reconnu pour sa capacité à comprendre des contextes complexes, l'étude a concentré ses mesures de performance rapportées sur les modèles d'apprentissage profond construits sur mesure et les classificateurs d'apprentissage automatique traditionnels. Les chercheurs ont conclu qu'en combinant ces puissants outils de classification avec la modélisation thématique, les hôpitaux peuvent obtenir une vue globale de leurs performances. Ils peuvent dépasser les simples scores de satisfaction pour comprendre les raisons précises qui les sous-tendent, qu'il s'agisse du coût des soins, de l'attitude d'un réceptionniste ou de la qualité du traitement médical.

Ce travail démontre que les voix vastes et non structurées des patients peuvent être transformées en informations claires et exploitables. En utilisant une combinaison d'apprentissage automatique pour trier les émotions et de modélisation thématique pour identifier les causes, les prestataires de soins de santé peuvent cibler précisément là où leurs services nécessitent des améliorations. Les conclusions suggèrent que l'avenir de l'expérience patient réside dans l'écoute des données non pas comme un simple chiffre, mais comme une collection d'histoires qui, lorsqu'elles sont lues correctement, révèlent la voie vers de meilleurs soins. Les chercheurs ont noté que bien que leur travail actuel se soit concentré sur les avis en ligne, les mêmes méthodes pourraient être appliquées aux retours recueillis via des enquêtes téléphoniques ou les réseaux sociaux, élargissant ainsi la portée de cette compréhension. En fin de compte, l'étude fournit un modèle de la manière dont la technologie peut combler le fossé entre l'expérience du patient et la gestion hospitalière, garantissant que les voix de ceux qui reçoivent des soins soient entendues et comprises.