19-06-2024

Presse APM news : Urgences de Maubeuge : premiers résultats satisfaisants d’une solution d’IA pour prédire les flux et hospitalisations

Revue de presse

PARIS, MAUBEUGE (Nord) (TICsanté) – Le projet d’intelligence artificielle (IA) SAUSmart du SIB permettant de prédire le nombre d’entrées aux urgences et d’anticiper le nombre de patients nécessitant une hospitalisation apporte des premiers résultats concluants au centre hospitalier (CH) de Maubeuge, selon un retour d’expérience des promoteurs de la solution, présenté le 22 mai au salon Santexpo, à Paris.

Le projet SAUSmart est porté par le groupement d’intérêt public (GIP) SIB qui a travaillé avec la direction des systèmes d’information du CH et plus généralement avec « les équipes de l’établissement » pour sa mise en œuvre au sein de l’établissement maubeugeois, a exposé Anne-Gaëlle Le Guen, chef de projet innovation au sein du SIB.

Une première version de la solution, lancée en novembre 2023, a été intégrée au sein du dossier patient informatisé (DPI).

S’agissant de la prédiction du flux de patients aux urgences, Jean-Luc Bouchet, responsable développement data et IA au SIB, a expliqué qu’une sélection des « facteurs influents » a été effectuée.

Ces facteurs influents sont l’historique des passages aux urgences, la météo, le calendrier (vacances scolaires,…), les épidémies, l’activité en médecine de ville et les événements festifs et culturels, entre autres.

Le logiciel Prophet, en open source, est utilisé pour l’analyse des passages de patients aux urgences et en lien avec ces différents facteurs.

Ce logiciel a été sélectionné pour ses performances en matière de projection, son « apprentissage rapide » en continu, sa capacité à gérer des variables de différents types, le fait qu’il puisse expliquer ses choix et qu’il soit peu gourmand en ressources, a développé le responsable développement data et IA.

Il a en outre souligné la capacité de deep-learning de la solution et son apprentissage ainsi que la possibilité de saisir des commentaires, en particulier en cas d’écart de la prédiction avec la réalité.

« Le modèle parvient assez bien à déterminer les tendances » mais un travail reste à faire sur la prédiction de certains « pics » de passages, a jugé Jean-Luc Bouchet.

Selon une analyse des prédictions des passages aux urgences comparées au nombre réel d’entrées, du 26 janvier au 1er février, une erreur de 3,6 patients par jour était constatée en moyenne.

Jean-Luc Bouchet a expliqué que, depuis cette analyse, de nouveaux facteurs influents continuent d’y être intégrés.

Concernant la prédiction des hospitalisations, l’outil doit répondre à deux questions: « le patient va-t-il être hospitalisé/pourra-t-il sortir? » et « dans quel service sera-t-il orienté? », a mentionné Valentin Gillot, data scientist au SIB.

A l’instar du volet portant sur le flux de patients entrant aux urgences, plusieurs « facteurs influents » ont été déterminés (surveillance, moyen de transport du patient, motif de recours, âge, antécédents…), a-t-il expliqué. Au fur et à mesure, ces données sont enrichies.

LightGBM, en open source, a été choisi comme modèle de classifications des données structurées, en raison de l' »explicable » qu’il fournit, de ses bonnes performances et de sa consommation faible de ressources.

Pour traiter les données textuelles considérées comme « non structurées », le CH a opté pour une approche statistique N-gramme (groupements de mots) et une approche « plus moderne » utilisant des modèles de langage (compréhension et analyse de texte).

« Le modèle permet d’expliquer les raisons pour lesquelles il a produit, oui ou non, des hospitalisations », a complété Valentin Gillot.

Un résultat de la prédiction conforme à la réalité concernant les sorties et les hospitalisations est donné dans 85,7% des cas, a-t-il chiffré, selon les premières utilisations. L’objectif est d’affiner encore ces prédictions.

Atteindre 95-96% permettrait de pouvoir donner des recommandations aux praticiens, a estimé Jean-Luc Bouchet.

Le Dr Romain Dewilde, responsable d’unité fonctionnelle Smur au sein du CH, a confirmé qu’il est possible grâce à ce projet d’intelligence artificielle de « déterminer certaines règles de prise en charge, corrélées aux recommandations de bonnes pratiques des sociétés savantes ».

L’urgentiste a précisé que 100 à 140 patients se rendent tous les jours aux urgences du CH de Maubeuge qui couvre un bassin de 300.000 habitants.

En marge de la présentation, Jean-Luc Bouchet a indiqué à APMnews/TICsanté que la deuxième version de SAUSmart devrait être mise en place après l’été. Elle « est très attendue au sein du CH, notamment en matière de gestion des lits », a-t-il fait valoir.

Jean-Yves Paillé

Articles recommandés