Réduire les embouteillages aux urgences
En France, quelque 20 millions de personnes passent aux urgences chaque année. La majorité des structures enregistre entre 15.000 et 40 000 passages. Et parmi ces patients, 18,4% sont hospitalisés. Ces chiffres illustrent bien le tri qui est effectué chaque jour par ces services. Un tri qui représente à la fois un enjeu médical et organisationnel. Afin de faciliter ce travail, des chercheurs américains de l’École de médecine Icahn à Mount Sinai ont souhaité tester la capacité de l’IA générative à effectuer ce tri, pour savoir en particulier si les grands modèles de langage (LLM) comme GPT-4, pouvaient améliorer la capacité à prédire les admissions dans des environnements à fort volume comme les services d’urgence.
Concrètement, les chercheurs ont analysé les dossiers de sept hôpitaux du système de santé Mount Sinai, en utilisant des données structurées, comme les signes vitaux, et des données non structurées, comme les notes de triage des infirmières, issues de plus de 864 000 visites aux urgences. Parmi ces visites, 159 857 (18,5 %) ont conduit à l’admission du patient à l’hôpital.
GPT-4, assistant de tri :
Ils ont ensuite comparé GPT-4 à des modèles d’apprentissage automatique traditionnels. L’outil pourrait se révéler utile car alors que les modèles d’apprentissage automatique traditionnels utilisent des millions de dossiers pour s’entraîner, les LLM peuvent apprendre efficacement à partir de seulement quelques exemples. « Notre objectif est d’améliorer la prise de décision clinique grâce à cette technologie, » a déclaré le Dr Eyal Klang, co-auteur principal et directeur du programme de recherche sur l’IA générative à la division de médecine numérique et basée sur les données (D3M) à Icahn Mount Sinai.
Les résultats de cette étude ont été publiés le 21 mai dans le Journal of the American Informatics Association (Jamia).
Résultats : les LLM précis à 83%
- Le LLM a prédit les malades ayant besoin d’être hospitalisés avec un taux de précision d’environ 83 %.
- Le modèle a réussi à identifier correctement 88% des cas positifs, tandis que les 12% restants ont été classés à tort comme négatifs.
- La performance du GPT-4 a montré une amélioration substantielle lorsqu’il a reçu des données limitées et pertinentes pour apprendre.
« Notre recherche suggère que l’IA pourrait bientôt soutenir les médecins dans les services d’urgence en prenant des décisions rapides et informées sur les admissions des patients, » estiment les auteurs de l’étude. Au-delà des résultats qui ne sont pas parfaits, ces derniers ont surtout été surpris par la manière dont GPT-4 s’est adapté au cadre des urgences et a fourni des justifications pour ses décisions. « Cette capacité à expliquer son raisonnement le distingue des modèles traditionnels et ouvre de nouvelles perspectives pour l’IA dans la prise de décision médicale. »
Besoin de davantage de données réelles :
Bien sûr, malgré ces résultats encourageants, l’IA ne jouera qu’un rôle de soutien, dans une telle prise de décision en fournissant des informations supplémentaires, « sans jamais remplacer la composante humaine ». Et si à terme, le recours à l’IA pourrait réduire le temps d’attente des patients et déterminer plus rapidement le nombre de lits nécessaires dans un hôpital, un raffinement supplémentaire des LLMs avec des données réelles sera nécessaire avant d’envisager une intégration réussie en tant qu’outils de support décisionnel dans les environnements de soins.
* Evaluating the accuracy of a state-of-the-art large language model for prediction of admissions from the emergency room
Benjamin S Glicksberg, Prem Timsina, Dhaval Patel, Ashwin Sawant, Akhil Vaid, Ganesh Raut, Alexander W Charney, Donald Apakama, Brendan G Carr, Robert Freeman, Girish N Nadkarni, Eyal Klang,
Journal of the American Medical Informatics Association, 2024
