NHS
Comment ça marche ?
Pour aider les patients à mieux comprendre les risques chirurgicaux, les chirurgiens du Northumbria Healthcare NHS Foundation Trust, le Professeur Mike Reed et le Dr. Justin Green, dirigent une équipe clinique qui applique la science des données et l’apprentissage automatique aux données historiques sur les résultats chirurgicaux pour produire des profils de risque individuels pour les patients. En utilisant Azure Machine Learning et le tableau de bord de l’IA responsable, l’équipe travaille pour produire des résultats significatifs, équitables et facilement explicables. Leur travail aide les patients à prendre des décisions chirurgicales éclairées et permet au Trust de placer les candidats à la chirurgie dans des établissements appropriés en fonction de leurs facteurs de risque.
“Avec Azure Machine Learning et le tableau de bord de l’IA responsable, nous disposons des outils dont nous avons besoin pour comprendre, affiner et expliquer nos résultats afin de mieux servir nos patients.” – Dr. Justin Green
Comprendre les risques de la chirurgie
Les chirurgiens orthopédistes Mike Reed et Justin Green du Northumbria Healthcare NHS Foundation Trust savent que la possibilité de complications est une considération importante dans toute procédure de remplacement articulaire – le médecin, le patient et l’hôpital souhaitent tous comprendre et atténuer les problèmes potentiels. Avec de meilleures informations à portée de main, les patients peuvent prendre une décision plus éclairée quant à la nécessité de subir une intervention, les médecins et le personnel chirurgical peuvent être attentifs aux problèmes potentiels, et les planificateurs hospitaliers peuvent assigner les patients à un établissement offrant un niveau de soins approprié à leurs facteurs de risque.
“Lorsqu’un patient nous regarde dans les yeux et nous demande si la chirurgie se passera bien, nous finissons souvent par donner des réponses assez générales car il peut être très difficile de prédire”, explique Reed. “Cela nous a amenés à explorer comment la technologie peut nous donner une meilleure indication de l’évolution des patients, afin que nous puissions avoir des conversations plus significatives avec eux et mieux planifier leur chirurgie.”
Le Northumbria Healthcare NHS Foundation Trust dessert une population d’environ 500 000 personnes dans le nord-est de l’Angleterre, couvrant l’une des régions géographiques les plus vastes de tous les trusts du NHS. Comme les établissements de santé du monde entier, le Northumbria Healthcare NHS Foundation Trust a accumulé un retard de candidats à la chirurgie pendant la pandémie de COVID-19, car les interventions électives ont été suspendues pour libérer de l’espace pour les soins critiques. Heureusement, Reed et Green avaient déjà commencé à explorer la technologie qui avait commencé à produire des résultats pouvant aider à trier ces patients vers les bons médecins et installations chirurgicales.
La génération de résultats inattendus et la personnalisation des soins de santé
Pendant les deux dernières années et demie, Green a fait partie de l’équipe de Reed, où il a pu combiner sa carrière en chirurgie avec son intérêt pour la santé numérique et l’informatique. Avec son aide, l’équipe a découvert des résultats intéressants à partir des 220 paramètres d’entrée différents que son modèle d’apprentissage automatique utilise.
“Nous savons que des facteurs tels que l’âge, l’origine ethnique, les antécédents de tabagisme et l’indice de masse corporelle sont des déterminants importants des complications chirurgicales”, explique-t-il. “Mais après avoir ajouté les résultats des analyses sanguines à nos modèles d’apprentissage automatique, nous avons découvert que le taux de plaquettes était l’un des facteurs prédictifs les plus importants pour le succès d’une opération. C’était vraiment surprenant, et nous avons pu distinguer le niveau d’influence avec une telle précision, quelque chose que nous n’avions pas pu faire auparavant.”
Disposer de ces informations supplémentaires peut permettre des interactions plus approfondies avec les patients. “Les gens peuvent penser que l’IA et l’apprentissage automatique sont des technologies dépersonnalisantes, mais en réalité, elles peuvent rendre la prestation des soins de santé beaucoup plus personnelle”, explique Green. “Ils nous aident aussi, en tant que cliniciens, à comprendre à quel point les individus sont uniques, et cela nous éloigne d’un modèle de risque universel pour nous orienter vers quelque chose de beaucoup plus individualisé.
Transformer les données en connaissances médicales
En plus de ses responsabilités chirurgicales, Reed est un chercheur enthousiaste qui a réalisé de vastes études sur les données de résultats des patients du NHS afin de déterminer les facteurs de risque chirurgical les plus significatifs. Après avoir analysé de très grands ensembles de données comprenant jusqu’à 400 000 patients à l’aide de statistiques traditionnelles, il a commencé à envisager d’autres méthodes. “Il y a quelques années, j’ai demandé à des étudiants universitaires d’explorer comment l’IA et l’apprentissage automatique pourraient améliorer nos recherches”, explique Reed. “En quelques semaines, les étudiants ont produit des données assez spectaculaires qui semblaient bien meilleures que nos protocoles d’évaluation des risques existants.”
Reed était enthousiaste à l’idée de développer un système de production complet pour tirer davantage d’informations des données, et il a obtenu un financement de plusieurs organisations du NHS à la fin de 2021. Il s’est également associé à Microsoft. “Microsoft nous a donné de précieux conseils en matière de science des données qui ont vraiment transformé notre vitesse de travail”, déclare Reed. “Notre équipe est petite et axée principalement sur la clinique, nous ne sommes pas des scientifiques des données professionnels, mais avec l’aide de Microsoft, nous avons ajouté de solides compétences en science des données à notre boîte à outils.”
Reed et son équipe ont également commencé à utiliser Microsoft Azure Machine Learning pour le projet. En plus de ses puissantes capacités d’apprentissage automatique, le service offre également à Reed et à son équipe un accès au tableau de bord de l’IA responsable. Cette interface complète regroupe plusieurs outils matures de l’IA responsable dans les domaines de l’interprétation de l’apprentissage automatique, de l’évaluation et de la réduction des biais, de l’analyse des erreurs, de l’inférence causale, de l’exploration des données et de l’analyse contrefactuelle. Ces capacités étaient essentielles pour le développement d’une application d’IA en santé robuste et adoptable sur le plan clinique.
“En santé, l’IA ne peut pas être simplement une boîte noire qui prend des entrées, effectue sur elles des calculs inconnus et produit un résultat”, explique Green. “Si nous allons modifier le plan de soins d’un patient en fonction des résultats de l’application, nous devons savoir pourquoi elle a généré ce résultat, et nous devons être sûrs que le résultat n’est pas affecté par des biais démographiques ou d’autres facteurs. Avec Azure Machine Learning et le tableau de bord de l’IA responsable, nous disposons des outils nécessaires pour comprendre, affiner et expliquer nos résultats afin de mieux servir nos patients.”
Le fait que les solutions cloud et d’IA proviennent de Microsoft était important pour l’équipe du projet. “La crédibilité est un problème clé, et je sais que Microsoft emploie les meilleures personnes et maintient toutes ses technologies cloud très à jour”, déclare Reed. “Je pense qu’il est juste de dire que Microsoft a plus d’expérience en matière de mise à l’échelle des logiciels que quiconque, ce qui nous a donné l’assurance que nous pourrions étendre notre solution au-delà de notre hôpital à l’ensemble du pays et même du monde.” Pour faciliter l’adoption par d’autres organisations de santé, l’équipe met à disposition ses modèles et méthodologies en tant que logiciel open source.
