Détection, prédiction et prévention des évènements indésirables liés aux soins via l’intelligence artificielle, en associant approche basée sur les règles de décision et l’apprentissage automatique - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Detection, prediction and prevention of healthcare acquired adverse events with artificial intelligence, associating rules-based approach and machine learning

Détection, prédiction et prévention des évènements indésirables liés aux soins via l’intelligence artificielle, en associant approche basée sur les règles de décision et l’apprentissage automatique

Résumé

Patient safety is considered as one of the biggest public health priorities, with healthcare systems around the globe attempting to mobilize resources for the prevention of patient harms. According to the World Health Organization, research studies show that an average of one in ten patients is subject to an adverse event (AE) while receiving hospital care in high- income countries. The estimate for low- and middle- income countries suggests that up to one in four patients is harmed. Despite a positive momentum in the last twenty years, substantial opportunities for improvement remain, stemming from inefficient or inadequate implementation of safety actions, patient harm remaining one of the leading causes of morbidity and mortality in healthcare, causing further economic and social burden on healthcare systems. There are a number of reasons why the problem of the high incidence of patient harm is still prevailing despite more than two decades of awareness and research in the domain of patient safety :- Lack of reliable and efficient tools for the measure and surveillance of clinical AEs.- Inconsistency in use of proven prevention techniques- Lack of accessibility to proven prevention techniques- Lack of usability of some technological solutions- Areas with insufficient/no proven prevention techniques : the safety “blind spots”Artificial Intelligence (AI) promises to hold an important potential in identifying, predicting and preventing patient harm. In fact, it can be applied to detect patient safety events and improve performance of clinical alarms, provide prediction of various patient safety events, and improve adherence to best practices.In fact, the systematic detection of clinical adverse events (AE) is still not available in healthcare institutions and systems. Without valid measurements of this type, it is almost impossible to assess the true impact of safety improvement actions on clinical outcomes. Furthermore, if such events can be predicted in due time, a significant potential in terms of prevention can be unleashed for the best interest of the patients and the whole healthcare system.Moreover, while certain clinical applications of AI getting gradually mature, the patient safety domain has still not witnessed widely recognized AI-based applications. As for experimental applications that are published, the vast majority have still not been sufficiently validated for real-world use scenarios. In fact, the development of AI-based applications holds many challenges related to design, validation and user acceptance that need to be tackled before any such application can be transformed into a valuable tool for the improvement of patient safety.In this thesis, our objective is to explore the potential of AI when applied to the domain of Clinical Adverse Events.Following a presentation of the state of the art, our starting point will be a non-AI based trigger-tool system for the automated measurement of hospital acquired adverse events, designed before the thesis.After identifying and analyzing the advantages and shortcomings of such a system, we will design two AI-based machine learning models, devoted to the prediction of hospital readmissions and patient clinical deterioration, respectively. We will also design an AI-based Clinical Decision Support application that integrates the second machine learning model with clinical rules written by medical experts. We will highlight specifically the added value that such systems could potentially produce both to improve current tools performances and to contribute to the patient safety efforts. In addition to that we will analyze the specificities of using machine learning versus rules-based algorithms in such applications, and how these two techniques can be used in synergy.
La sécurité des patients est considérée comme une grande priorité en santé publique. Les systèmes de santé au niveau mondial tentent de mobiliser des ressources pour la prévention des évènements indésirables cliniques chez les patients. Selon l'Organisation Mondiale de la Santé, des études ont montré qu'en moyenne un patient sur dix est sujet à un événement indésirable (EI) lors de son hospitalisation dans les pays à revenu élevé. L'estimation pour les pays à revenu faible et intermédiaire suggère même que jusqu'à un patient sur quatre sont concernés. Malgré une dynamique positive au cours des vingt dernières années, d'importantes opportunités d'amélioration subsistent, découlant souvent d'une mise en œuvre inefficace ou inadéquate des actions d'amélioration de la sécurité. Ainsi, les EI restent l'une des principales causes de morbidité et de mortalité en santé, entraînant des pressions économiques et sociales supplémentaires pour les systèmes de santé. L’analyse approfondie des raisons pour lesquelles l'incidence élevée des EI persiste semble identifier les facteurs suivants :- Le manque d'outils fiables et efficaces pour la mesure et la surveillance des EI cliniques. - L'incohérence dans l'utilisation de techniques de prévention recommandées - Le manque d'accessibilité aux techniques de prévention recommandées - Le manque d'utilisabilité de certaines solutions technologiques - L'existence de domaines cliniques pour lesquels il n'y a pas de solutions de prévention prouvées, dénommés les "angles morts" de la sécurité patient. L'intelligence artificielle (IA) détient un potentiel important qui peut être appliqué à l'identification, la prédiction et la prévention des EI pour les patients. En fait, elle peut être utilisée pour détecter les événements liés à la sécurité des patients, améliorer les performances des alarmes cliniques, prédire le risque de survenue d’EI et améliorer l’adhérence aux bonnes pratiques. D’autre part, quand bien même l’IA commence à générer des applications dans certains domaines cliniques, peu ont été développés pour le domaine de l’amélioration de la sécurité des patient et la grande majorité de ces applications sont encore au stade expérimental ou insuffisamment validées pour des scénarios d'utilisation en contexte réel.En fait, le développement d'applications basées sur l'IA pose de nombreux défis liés à la conception, à la validation et à l'acceptation par les utilisateurs qui doivent être relevés avant que ces applications puissent être transformées en systèmes d’aide à la décision clinique (SADC) ou d’amélioration. Dans le cadre de cette thèse, notre objectif est d'explorer le potentiel de l'IA pour le domaine d’application des événements indésirables cliniques. Après une présentation de l’état de l’art, notre point de départ sera un système d'outil de détection non basé sur l'IA pour la mesure automatisée des événements indésirables hospitaliers, conçu avant la thèse.Après avoir identifié et analysé les avantages et les inconvénients de ce genre de système, nous concevrons deux modèles basés sur l'apprentissage automatique, consacrés respectivement à la prédiction des réadmissions à l'hôpital et à la détérioration clinique des patients. Nous présenterons également un SADC basé sur l'IA qui associe le deuxième modèle de prédiction à des règles cliniques élaborées par des experts médicaux afin de gérer le risque de détérioration clinique.Finalement, nous analyserons les spécificités de l'utilisation de l'apprentissage automatique par rapport aux algorithmes basés sur des règles dans de telles applications, et comment ces deux techniques peuvent être utilisées en synergie.
Fichier principal
Vignette du fichier
ederasme_th_2022_saab.pdf (1.89 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04416220 , version 1 (25-01-2024)

Identifiants

  • HAL Id : tel-04416220 , version 1

Citer

Antoine Saab. Détection, prédiction et prévention des évènements indésirables liés aux soins via l’intelligence artificielle, en associant approche basée sur les règles de décision et l’apprentissage automatique. Santé. Université Paris-Nord - Paris XIII, 2022. Français. ⟨NNT : 2022PA131063⟩. ⟨tel-04416220⟩
53 Consultations
32 Téléchargements

Partager

Gmail Facebook X LinkedIn More