Les établissements de santé ne manquent pas de données sur leurs patients, provenant non seulement des dossiers de santé électroniques (DSE), mais également de la surveillance à distance des patients. Cependant, jusqu’à présent, il a été difficile pour les responsables informatiques et cliniques de traduire ces informations en informations en temps réel susceptibles d’améliorer les soins aux patients et de réduire les coûts de traitement. Cela pourrait être sur le point de changer, selon les présentateurs de .conf24, l'édition de cette année de la conférence annuelle de Splunk à Las Vegas.
« Ce qui est passionnant, c'est que nous vivons actuellement une époque dans le monde où l'intelligence artificielle et l'apprentissage automatique sont vraiment bénéfiques pour aider le secteur de la santé à résoudre les défis et à fournir des soins de meilleure qualité », a déclaré Brett Roberts, responsable technique mondial des partenaires pour Splunk.
Splunk offre des fonctionnalités prêtes à l'emploi « brillantes » qui permettent aux utilisateurs d'obtenir des informations sans expertise en apprentissage automatique, a déclaré Alan Peaty, architecte de solutions partenaires senior chez Amazon Web Services.
Mais pour les organisations de santé qui cherchent à créer leurs propres modèles ML personnalisés, il est logique d’intégrer leurs données Splunk à leurs autres informations résidant sur AWS. « Il s’agit avant tout de fournir les données et les informations aux personnes qui peuvent les exploiter », a déclaré Peaty.
Un ajout nécessaire pour les organisations de soins de santé
Lors d'une démonstration en direct, Roberts et Peaty ont importé des données simulées provenant d'appareils portables pour patients depuis un environnement Splunk vers AWS, en les fusionnant avec des données provenant de DSE, de plateformes de gestion de la relation client et d'autres sources. Ils ont rassemblé les données dans Amazon SageMaker Canvas, l'interface ML sans code d'AWS pour l'analyse commerciale. Ils ont ensuite utilisé AWS Glue, un outil d'intégration de données sans serveur, pour formater les données. Enfin, à l'aide du moteur SQL géré Amazon Athena, Roberts et Peaty ont exécuté une requête sur 183 000 dossiers de patients, recherchant des liens entre les données des trackers portables et les taux de réadmission à l'hôpital.
Les résultats ont été éclairants – et presque instantanés.
« Vous pouvez voir que l'âge a un impact sur l'admission ou non d'un patient », a déclaré Peaty. « Ça a du sens. Mais une autre fonctionnalité issue de Splunk concerne la disponibilité de ces appareils portables, ce qui a également un impact. Ainsi, en tant que prestataire de soins de santé, vous pouvez désormais commencer à voir comment ces modèles peuvent vous aider à personnaliser les soins prodigués aux patients et à intervenir de manière proactive.
Centrer les patients dans des décisions fondées sur les données
Les hôpitaux bénéficient d’incitations financières et cliniques pour réduire les réadmissions de patients. Notamment, le programme de réduction des réadmissions hospitalières des Centers for Medicare & Medicaid Services relie les paiements à la capacité des organismes de santé à réduire leurs taux de réadmission en améliorant les efforts de communication et de coordination des soins. Un modèle prédictif qui aide les hôpitaux à identifier les patients présentant un risque accru de réadmission pourrait permettre aux prestataires de contacter ces patients avant leur retour à l'hôpital, réduisant ainsi les réadmissions évitables et potentiellement prévenant des problèmes de santé.
Peaty a également montré comment le modèle ML peut générer des prédictions pour des patients spécifiques. Dans l'exemple d'un patient de 89 ans qui n'utilise pas souvent son appareil portable, le modèle a montré que le patient avait une forte probabilité de réadmission. « En tant qu'organisation de soins de santé, nous allons donc les contacter pour nous assurer d'intervenir », a-t-il déclaré.
Dans une interview accordée à , Roberts a déclaré que la démonstration représentait « l’art du possible » plutôt que le reflet d’un cas d’utilisation répandu actuel. Cependant, il a déclaré qu’il espérait qu’elle servirait d’inspiration aux organisations de soins de santé qui cherchent à accroître leur utilisation de l’analyse prédictive pour résoudre des problèmes du monde réel.
Il a souligné l'importance d'inclure les cliniciens à la fois dans la conception des modèles ML et dans la prise de décision découlant des prédictions de ces modèles.
« Vous voulez vous assurer que vous êtes très précis », a déclaré Roberts. « Tout dépend de la partie formation. Pour des cas d’utilisation comme celui-ci, où c’est potentiellement une question de vie ou de mort, vous devez vraiment redoubler d’efforts pour vous assurer d’avoir à la fois des data scientists et des personnes possédant une expertise dans le domaine.
« C'est un sport d'équipe », a-t-il ajouté. « Il faut inclure l'élément humain. »