Mise en œuvre de l'apprentissage automatique dans les soins de santé

Résumé :

L'apprentissage automatique - le processus de développement de systèmes qui apprennent à partir de données pour reconnaître des modèles et faire des prédictions précises sur des événements futurs - a un potentiel considérable pour transformer les soins de santé.1 - a un potentiel considérable pour transformer les soins de santé. Les outils d'apprentissage automatique pourraient faciliter la prise de décisions cliniques complexes et automatiser de nombreuses tâches banales qui font perdre du temps aux cliniciens et les insatisfont. 2 Malgré l'intérêt croissant et l'approbation réglementaire de ces technologies, par exemple les algorithmes des montres intelligentes pour détecter la fibrillation auriculaire,3 à ce jour, les outils d'apprentissage automatique n'ont été que peu utilisés dans la pratique clinique courante.4 Le développement et la mise en œuvre d'outils à apprentissage automatique en médecine nécessitent des infrastructures et des ressources qui peuvent être difficiles d'accès, telles que de grands ensembles de données cliniques en temps réel, des compétences techniques en science des données, une puissance de calcul et une infrastructure informatique clinique. Parmi les autres obstacles à l'adoption, citons les difficultés à assurer la sécurité et la confidentialité des données, les modèles mathématiques peu performants, la difficulté à intégrer les outils dans les flux de travail existants, la faible acceptation des solutions d'apprentissage automatique par les utilisateurs cliniciens et l'incertitude quant à la manière de les évaluer.4 Dans cet article, nous présentons une approche du développement et de l'adoption de solutions d'apprentissage automatique dans le domaine de la santé. Des articles connexes traitent de certains des obstacles à l'utilisation de cette technologie5 et l'évaluation des outils d'apprentissage automatique.6

Le développement de solutions à apprentissage machine pour une utilisation clinique nécessite une solide compréhension des soins cliniques, de la science des données et de la science de la mise en œuvre. Un certain nombre d'excellents cadres soutiennent l'analyse des données et les initiatives d'amélioration de la qualité, notamment le Cross-Industry Standard Process for Data Mining (CRISP-DM),7 le modèle d'amélioration développé par l'Institute for Healthcare Improvement (Institut pour l'amélioration des soins de santé) 8 et le cadre Knowledge to Action9 et le cadre Knowledge to Action. Cependant, il n'existe pas de cadre clair et complet spécifiquement axé sur l'adoption d'outils d'apprentissage automatique dans les soins de santé. Nous proposons un cadre en trois phases pour développer et mettre en œuvre des solutions d'apprentissage automatique dans les soins cliniques, illustré par un exemple de cas (Boîte 1). Ce cadre comprend une phase d'exploration, une phase de conception de solutions, et une phase de mise en œuvre et d'évaluation (Figure 1). Il peut être utilisé pour toute une série de solutions, notamment des projets basés sur la vision par ordinateur, des projets d'automatisation et d'optimisation, et des analyses prédictives. Le cadre peut également être appliqué lorsque les organisations mettent en œuvre des solutions d'apprentissage automatique qui ont été développées ailleurs, car les étapes, autres que le développement du modèle, restent les mêmes.