Moins de fausses alertes aux soins intensifs

Piiip, piiip, piiip. Dans les soins intensifs, un appareil de mesure sonne sans cesse l'alarme. Que ce soit parce que le sang d'un patient contient trop peu d'oxygène, que la pression dans le cr?ne de la patiente d'à c?té a augmenté ou que la tension artérielle de quelqu'un a chuté. Ou tout simplement parce qu'un patient a bougé dans son lit.

Ces fausses alertes sont fréquentes. Elles occupent le personnel médical et le risque existe que les vraies alarmes soient noyées dans le flot des fausses alarmes. Le personnel soignant et les médecins ont donc intérêt à ce que le nombre de fausses alertes diminue considérablement. Des chercheurs de l'ETH Zurich ont désormais créé, en collaboration avec des scientifiques de l'unité de soins intensifs neurochirurgicaux de l'H?pital universitaire de Zurich, une méthode d'apprentissage automatique qui poursuit précisément cet objectif.

Combinaison de données

Dans le cadre d'une étude de faisabilité, les chercheurs ont utilisé des enregistrements de données complets de cette unité de soins intensifs. Pour un projet de science des données (page externeCockpit ICU), les mesures des fonctions vitales y sont systématiquement enregistrées avec une haute résolution temporelle, ainsi que les alarmes, avec le consentement des patients.

Comme c'est la règle dans d'autres unités de soins intensifs, les différents appareils de surveillance de la circulation, de ventilation artificielle et d'enregistrement d'un électroencéphalogramme fonctionnent indépendamment les uns des autres. De même, ils déclenchent une alarme indépendamment les uns des autres, à savoir lorsque la valeur mesurée est inférieure ou supérieure à un seuil défini. Les chercheurs ont donc combiné et synchronisé les données des appareils de mesure afin d'identifier, à l'aide de l'apprentissage automatique, les alarmes non pertinentes sur le plan médical.

Un ordinateur soulage les médecins d'un travail de Sisyphe

"Pour que l'ordinateur puisse apprendre, il faut habituellement que des personnes aient préalablement jugé un certain nombre d'alarmes comme étant pertinentes ou non", explique Walter Karlen, professeur de systèmes de santé mobiles à l'ETH Zurich. "Les systèmes informatiques peuvent ensuite utiliser ces informations pour comprendre le principe de la classification et finalement être en mesure d'évaluer eux-mêmes les alarmes".

La classification des alarmes dans une unité de soins intensifs par un être humain est toutefois un travail de Sisyphe, d'autant plus qu'elle doit être faite individuellement pour chaque patient. De plus, le personnel d'une unité de soins intensifs n'a guère le temps d'enseigner l'informatique en plus de s'occuper des patients.

Même avec des informations fragmentaires

Il serait donc souhaitable, pour une utilisation dans une unité de soins intensifs, de disposer d'un système capable d'apprendre même si les infirmières ou les médecins ne classifient que quelques alarmes. C'est précisément ce que la méthode de machine learning créée par Karlen et ses collègues peut particulièrement bien faire.

Les scientifiques ont testé leur méthode à l'aide d'un petit ensemble de données provenant de l'unité de soins intensifs de Zurich : l'enregistrement des paramètres vitaux et des alarmes de 14 patients pendant plusieurs jours. En moyenne, les appareils ont déclenché l'alarme près de 700 fois par patient et par jour, soit en moyenne toutes les deux minutes. Bien que seules 1 800 (13 %) des 14 000 alarmes aient été classées manuellement, l'algorithme a pu classer les alarmes restantes en vraies et fausses alarmes. Si les scientifiques ont laissé au système une marge d'erreur de cinq pour cent, le système a trié 77 pour cent de toutes les fausses alarmes.

Comme les scientifiques ont en outre pu le montrer, la méthode fonctionne même avec beaucoup moins d'aide manuelle : 25 ou 50 évaluations manuelles par des experts suffisent déjà à éliminer une grande partie des fausses alertes. C'est surtout avec une aide manuelle aussi réduite que la nouvelle méthode est supérieure aux autres méthodes de machine learning existantes, comme l'ont également montré les chercheurs.

Dans ce travail, des données cliniques ont été analysées de manière rétrospective. Les chercheurs envisagent maintenant de vérifier la performance de leur algorithme dans une étude clinique prospective.