Développement d’un algorithme d’aide à la décision pour l’admission des personnes âgées en réanimation lors d’infection respiratoire aiguë

Contexte. Les prévisions actuelles indiquent que d’ici 2050, le pourcentage de la population âgée de plus de 80 ans ou plus doublera. La forte association entre infections pulmonaires et vieillissement suggère que cette population vieillissante va être très consommatrice de soins, incluant des prises en charge lourdes de réanimation. Cependant, une grande partie des personnes âgées admis en réanimation y décèdent et près de la moitié des survivants n’ont pas de récupération fonctionnelle. Ainsi, la question de l’admission en réanimation des personnes âgées soulève des considérations éthiques à la fois individuelles et sociétales majeures. Admettre ou non un patient en réanimation est probablement l’une des décisions les plus difficiles à prendre pour un réanimateur. Paradoxalement, cette décision est très subjective. En raison de l’urgence, certaines informations peuvent manquer ou, au contraire, une surcharge d’informations devient ininterprétable dans le temps alloué. Il est urgent de clarifier le processus décisionnel d’admission des personnes âgées en réanimation.
Le consortium GENIALLY dispose de l’expertise pour traiter des questions des cliniciens et des questions épidémiologiques grâce à deux grands référentiels de données massives en santé : (i) le Système National des Données de Santé (SNDS) : base de données nationale médico-administratives exhaustive sur les dépenses de santé remboursées ; (ii) le Ouest Data Hub (ODH) : plateforme interrégionale d’entrepôts de données cliniques de cinq CHU basés sur l’intégration en temps réel des données du système de santé électronique des hôpitaux. Les avancées récentes des approches d’apprentissage automatique (Machine Learning, ML) ont révolutionné la façon dont nous modélisons et analysons les systèmes complexes. Ainsi, les techniques de ML questionnant ces bases de données de santé pourraient permettre d’analyser les caractéristiques des parcours et de la fragilité et comorbidités des patients pour prédire objectivement la survie. Cette prédiction de survie pourrait à terme être consultée dans le processus décisionnel d’admission en réanimation.
Objectif. Notre objectif principal est de développer des modèles de prédiction à partir des données massives de santé pour permettre aux utilisateurs finaux (médecin en soins intensifs) d’interpréter et de prendre des décisions en conséquence (admission en soins intensifs). Pour parvenir à cet objectif, nous avons identifié trois étapes (1) développer des modèles prédictifs de ML à partir des données SNDS préalables à l’admission en réanimation ; (2) mettre en oeuvre les modèles prédictifs de ML à partir des données obtenues en temps réel (ODH), potentiellement utilisables pour la décision ; (3) consultations éthiques et sociétales quant à l’utilisation des outils de l’intelligence artificielle pour la prédiction d’admission en réanimation.
Méthodes. Le consortium est composé de 3 équipes INSERM, 3 départements universitaires de santé, 1 groupe régional d’éthique, 1 plateforme interrégionale d’entrepôts de données hospitalières. Trois work-packages (WP) ont été identifiés :
WP-1. Développer un algorithme de ML pour prédire la survie des personnes âgées atteintes d’une infection respiratoire critique à partir des données du SNDS. Le WP-1 sera co-dirigé par un expert en réanimation/infection respiratoire ainsi qu’une experte en analyse du SNDS. Comme étape préliminaire du projet, le consortium a déjà développé un algorithme de ML pour prédire la survie à 1 an chez les patients ≥ 80 ans avec infection respiratoire grâce sur la base de données médico-administrative hospitalière. L’objectif est de fusionner toutes les informations issues du SNDS (c’est-à-dire les données de soins ambulatoires, médico-administratives hospitalières, délivrances médicamenteuses) pour augmenter les performances de la prédiction.
WP-2. Construire un algorithme opérationnel pour un décideur humain. Le WP-2 sera co-dirigé par un expert en informatique médicale et un expert du ODH. Les résultats obtenus dans le WP-1 peuvent être considérés comme une preuve de concept sur notre capacité à faire des prédictions au niveau national. Pour garantir le potentiel translationnel du projet, il est essentiel de travailler sur des données alimentées en temps réel par le dossier médical. Les objectifs de ce WP sont : (i) évaluer les performances de la prédiction de survie à partir des données issues du système informatique hospitalier des entrepôts de données cliniques sur la plateforme interrégionale ODH et (ii) estimer le potentiel translationnel des outils de prédiction en temps réel sur les entrepôts de données cliniques.
WP-3. Être un humain d’abord – un scientifique ensuite. Les préoccupations éthiques s’exacerbent à mesure que les algorithmes de ML participent à des décisions cruciales, telles que l’admission en réanimation. Il est essentiel que des réflexions éthiques et sociales évaluent constamment les promesses et les risques inhérents à de tels projets. Une consultation parallèle sera menée par un groupe d’éthique régionale et interrogera des experts cliniques, des associations de patients, des économistes de la santé, des informaticiens de santé (entre autres). Il explorera l’impact éthique en incluant le coût des parcours de soins et évaluera les capacités d’adhésion à ce changement de paradigme.
Perspectives : Ce projet donnera une information complète sur le pronostic des patients âgés souffrant d’infection respiratoire. Le développement d’algorithmes de ML capables de prédire la survie à long terme pourrait conduire au développement de logiciels d’aide à la décision implémentés dans les serveurs des systèmes d’information médicaux. Cette perspective pourrait répondre au besoin d’uniformiser la décision d’admission en réanimation. A partir de notre questionnement spécifique, des experts de nombreux domaines identifieront les enjeux et risques éthiques afin d’aboutir à des recommandations pour l’opérationnalité de l’intelligence artificielle dans ce contexte.