Blog

Jun 11, 2024

Enquête sur les cas d'utilisation de l'IA et des outils informatiques dans les services médicaux d'urgence

Source : Thinkstock, 25 juillet 2023 - Les services médicaux d'urgence (EMS) et les équipes de première réponse jouent un rôle déterminant dans la fourniture de soins de santé rapides et salvateurs. Pour contribuer à rendre les soins d’urgence plus

Source : Thinkstock

25 juillet 2023 - Les services médicaux d'urgence (EMS) et les équipes de première intervention jouent un rôle déterminant dans la fourniture de soins de santé rapides et salvateurs. Pour contribuer à rendre les soins d’urgence plus efficaces et à améliorer les résultats pour les patients, de nombreuses organisations EMS évaluent des cas d’utilisation potentiels de l’intelligence artificielle (IA) et des outils informatiques de santé.

Cependant, les différences dans le type d'agence EMS, le financement, les volumes et la composition de la main-d'œuvre, les ressources et l'accès aux données, comme souligné dans l'évaluation nationale des services médicaux d'urgence de 2020, peuvent avoir un impact sur les technologies et les cas d'utilisation qu'une organisation peut cibler.

Selon les experts, les outils d’IA et d’informatique peuvent résoudre deux des problèmes les plus courants du système EMS : garantir une disponibilité et une stabilité maximales du logiciel mobile de gestion des incidents et améliorer le triage des patients.

Le service EMS du centre médical de l'Université de Pittsburgh (UPMC) adopte une approche différente pour optimiser son flux de travail et améliorer les résultats pour les patients en créant un outil d'apprentissage automatique (ML) qui utilise des électrocardiogrammes (ECG/ECG) pour classer les événements cardiaques.

En règle générale, le personnel EMS et les autres membres du personnel médical utilisent des systèmes de classification tels que le score HEART (Antécédents, ECG, âge, facteurs de risque et troponine) pour stratifier les patients souffrant de douleurs thoraciques, a expliqué Christian Martin-Gill, MD, chef de la division EMS à l'UPMC. . Le score HEART, en plus de l’interprétation des ECG par un clinicien expérimenté, est considéré comme la mesure de référence pour évaluer les événements cardiaques potentiels.

Cependant, stratifier et identifier avec précision les patients présentant un événement cardiaque grave, comme une crise cardiaque, peut s'avérer difficile. Les ECG peu clairs constituent un obstacle majeur auquel les équipes de soins doivent faire face lors du triage des patients souffrant de douleurs thoraciques, ce qui peut entraîner des retards dans les soins et avoir un impact négatif sur les résultats pour les patients.

Martin-Gill a indiqué qu'en plus de ce problème, les limites des scores de risque couramment utilisés présentent également des lacunes potentielles dans le triage des douleurs thoraciques.

« Si vous pensez aux scores de risque clinique comme le score HEART, ils reposent en grande partie sur des facteurs historiques du patient, puis sur quelques facteurs cliniques, comme une enzyme cardiaque sanguine, puis sur notre interprétation générale de l'ECG, mais aggravés par certains antécédents médicaux. antécédents ou d’autres facteurs de risque cliniques comme l’âge », a-t-il déclaré. « Et tous ces types de scores de facteurs de risque sont généralement basés sur une poignée de points de données. Si vous pensez aux personnes qui développent ces symptômes, elles pourraient évaluer une douzaine ou deux douzaines de facteurs qui pourraient exposer une personne à un risque par rapport à un diagnostic plutôt qu'à un autre. Ensuite, nous développons ces scores de risque sur la base de cette poignée de caractéristiques qui prédisposent une personne ou sont associées à ce diagnostic.

ML permet l’analyse simultanée de centaines de caractéristiques d’un ECG. Martin-Gill a souligné que ces algorithmes pourraient traiter une grande quantité de données brutes pour chaque patient sur la base des lectures ECG, offrant ainsi une vue plus complète de la santé cardiaque du patient.

L'outil ML développé par Martin-Gill et son équipe, et validé en externe dans des systèmes de santé en dehors de l'UPMC, peut examiner près de 700 caractéristiques trouvées dans les ECG, ce qui peut aider les équipes EMS à identifier des conditions telles que l'ischémie cardiaque ou des blocages dans les vaisseaux sanguins. L'outil est conçu pour prendre en charge l'interprétation humaine des ECG, car les algorithmes peuvent analyser et interpréter un plus grand nombre de caractéristiques des données, y compris celles qui peuvent ne pas être observables à l'œil nu.

« Nous considérons cela comme un outil destiné à ne pas remplacer l'interprétation d'un médecin ou d'un ambulancier paramédical de l'ECG à 12 dérivations, mais l'une des prochaines étapes que nous entreprenons est de développer un tableau de bord où nous pouvons mettre les informations qui l’algorithme reprend le dessus », a déclaré Martin-Gill.

Il a en outre noté que l'outil est destiné à aider les utilisateurs à examiner de plus près les parties de l'ECG qui sont anormales ou importantes mais subtiles et, par conséquent, faciles à manquer.

Dans les années à venir, l’outil sera exploité en partenariat avec le Bureau des services médicaux d’urgence de la ville de Pittsburgh.