Selon la Fondation américaine pour la prévention du suicide, le suicide est la 10e cause de décès aux États-Unis, avec plus de 1,4 million de tentatives de suicide enregistrées en 2018. Bien que des traitements efficaces soient disponibles pour les personnes à risque, les cliniciens ne disposent pas d’un moyen fiable de prédire quels patients sont susceptibles de faire une tentative de suicide.

Des chercheurs de l’Université médicale de Caroline du Sud et de l’Université de Floride du Sud rapportent dans JMIR Medical Informatics qu’ils ont pris des mesures importantes pour résoudre ce problème en créant un algorithme d’intelligence artificielle qui peut identifier automatiquement les patients à haut risque d’automutilation intentionnelle, sur la base des informations contenues dans les notes cliniques du dossier médical électronique.

L’étude a été dirigée par Jihad Obeid, M.D., codirecteur du MUSC Biomedical Informatics Center, et Brian Bunnell, Ph.D., anciennement au MUSC et actuellement professeur adjoint au département de psychiatrie et de neurosciences comportementales de l’Université de Floride du Sud.

L’équipe a utilisé des réseaux neuronaux artificiels complexes, une forme d’intelligence artificielle également appelée apprentissage profond, pour analyser les données textuelles non structurées du dossier médical électronique. Les méthodes d’apprentissage profond utilisent progressivement des couches de réseaux artificiels pour extraire des informations plus élevées des données d’entrée brutes. L’équipe a montré que ces modèles, une fois entraînés, pouvaient identifier les patients à risque d’automutilation intentionnelle.

« Ce type de travail est important car il tire parti des dernières technologies pour s’attaquer à un problème important comme le suicide et identifier les patients à risque afin qu’ils puissent être orientés vers une prise en charge appropriée », a déclaré Obeid.

Jusqu’à présent, les chercheurs se sont principalement appuyés sur les données structurées du dossier médical électronique pour identifier et prédire les patients à risque. Les données structurées sont des informations tabulées qui ont été saisies dans des champs désignés du dossier de santé électronique dans le cadre des soins cliniques. Par exemple, lorsque les médecins diagnostiquent des patients et leur attribuent des codes de la classification internationale des maladies (CIM), ils créent des données structurées. Ce type de données tabulées et structurées est facile à analyser par les programmes informatiques.

Cependant, 80 à 90 % des informations pertinentes du dossier médical électronique sont piégées sous forme de texte. En d’autres termes, les notes cliniques, les rapports d’évolution, les notes sur le plan de soins et autres textes narratifs du dossier de santé électronique représentent une énorme ressource inexploitée pour la recherche. L’étude d’Obeid est unique car elle utilise des réseaux neuronaux profonds pour « lire » les notes cliniques du dossier médical électronique et identifier et prédire les patients à risque d’automutilation.

Après un examen éthique réglementaire et l’approbation de la recherche proposée par le conseil d’examen institutionnel de MUSC, Obeid a commencé par identifier les dossiers des patients associés à des codes CIM indiquant une automutilation intentionnelle dans l’entrepôt de données de recherche de MUSC. Cet entrepôt, qui a été créé avec le soutien du South Carolina Clinical & Translational Research Institute, permet aux chercheurs du MUSC d’accéder aux données des dossiers médicaux électroniques des patients, à condition qu’ils aient obtenu les autorisations nécessaires.

Afin de simuler un scénario du monde réel, Obeid et son équipe ont divisé les dossiers cliniques en deux catégories temporelles : les dossiers de 2012 à 2017 qui ont été utilisés pour l’entraînement des modèles et les dossiers de 2018-2019 qui ont été utilisés pour tester les modèles entraînés. Ils ont d’abord examiné les notes cliniques prises lors de la visite à l’hôpital au cours de laquelle le code CIM a été attribué. En utilisant cela comme ensemble de données d’entraînement, les modèles ont « appris » quels modèles de langage dans les notes cliniques des dossiers médicaux électroniques des patients étaient associés à l’attribution d’un code CIM d’automutilation intentionnelle. Une fois les modèles formés, ils ont pu identifier ces patients en se basant uniquement sur leur analyse du texte des notes cliniques, avec une précision de 98,5 %. Des experts ont examiné manuellement un sous-ensemble de dossiers pour confirmer l’exactitude du modèle.

Puis, l’équipe a testé si le plus précis des modèles pouvait utiliser les notes cliniques du dossier médical électronique pour prédire les automutilations futures. À cette fin, l’équipe d’Obeid a identifié les dossiers des patients qui avaient présenté une automutilation intentionnelle et a formé le modèle en utilisant leurs notes cliniques entre six mois et un mois avant la visite à l’hôpital de l’automutilation intentionnelle. Ils ont ensuite testé si les modèles formés pouvaient prédire correctement si ces patients présenteraient plus tard une automutilation intentionnelle.

Prédire les automutilations futures en se basant uniquement sur les notes cliniques s’est avéré plus difficile que d’identifier les patients à risque actuels en raison du « bruit » supplémentaire qui est introduit lorsque de grandes quantités d’antécédents du patient sont incluses dans le modèle. Les notes cliniques historiques ont tendance à être variées et pas toujours pertinentes. Par exemple, si un patient a été vu pour une dépression ou d’autres problèmes de santé mentale six mois avant sa visite à l’hôpital pour automutilation intentionnelle, les notes cliniques sont susceptibles de contenir des informations pertinentes. Cependant, si le patient est venu pour une condition sans rapport avec la santé mentale, alors les notes étaient moins susceptibles d’inclure des informations pertinentes.

Bien que l’inclusion d’informations non pertinentes introduise beaucoup de bruit dans l’analyse des données, toutes ces informations doivent être incluses entre les patients dans les modèles pour prédire les résultats. Par conséquent, le modèle était moins précis pour prédire quels patients présenteraient ultérieurement une automutilation intentionnelle que pour classer simplement les patients actuels en fonction du risque de suicide. Néanmoins, la précision prédictive de ce modèle était très compétitive par rapport à celle précédemment rapportée pour les modèles qui s’appuyaient sur des données structurées, atteignant une précision de près de 80 % avec une sensibilité et une précision relativement élevées.

L’équipe d’Obeid a montré la faisabilité de l’utilisation de modèles d’apprentissage profond pour identifier les patients à risque d’automutilation intentionnelle sur la base des seules notes cliniques. L’étude a également montré que les modèles peuvent être utilisés pour prédire, avec une assez bonne fidélité, quels patients se présenteront à l’avenir pour une automutilation intentionnelle sur la base des notes cliniques de leur dossier médical électronique.

Ces premiers résultats sont prometteurs et pourraient avoir de grands impacts au niveau clinique. Si les modèles d’apprentissage profond peuvent être utilisés pour prédire quels patients présentent un risque élevé de suicide sur la base des notes cliniques, alors les cliniciens peuvent orienter rapidement les patients à haut risque vers un traitement approprié. L’utilisation de ces modèles pour classer les patients comme étant à risque d’automutilation pourrait également faciliter le recrutement dans les études cliniques et les essais de nouveaux traitements potentiels pertinents pour le suicide.

Dans les études futures, Obeid vise à évaluer les changements dans la fenêtre temporelle prédictive de ses modèles, par exemple, en examinant les dossiers un an avant la présentation d’un patient pour automutilation intentionnelle au lieu de six mois. L’équipe a également l’intention d’examiner d’autres résultats tels que le suicide ou les idées suicidaires. Et si les modèles fonctionnent bien à MUSC, Obeid doit maintenant montrer qu’ils peuvent être généralisés à d’autres institutions.

« Les modèles peuvent-ils être formés dans un endroit et transférés dans un autre et continuer à fonctionner ? » a demandé Obeid. « Si la réponse est oui, alors cela permet d’économiser des ressources essentielles, car les autres institutions n’auront pas à effectuer des examens manuels de dossiers coûteux et chronophages pour confirmer que les modèles obtiennent les bons résultats pendant les périodes de formation. »

À propos de MUSC

Fondée en 1824 à Charleston, l’Université médicale de Caroline du Sud (MUSC) est la plus ancienne école de médecine du Sud ainsi que le seul centre universitaire intégré de sciences de la santé de l’État, avec la charge unique de servir l’État par l’éducation, la recherche et les soins aux patients. Chaque année, le MUSC éduque et forme plus de 3 000 étudiants et près de 800 résidents dans six collèges : Médecine dentaire, études supérieures, professions de santé, médecine, soins infirmiers et pharmacie. Leader de l’État pour l’obtention de fonds de recherche biomédicale, au cours de l’exercice 2019, MUSC a établi un nouveau record, rapportant plus de 284 millions de dollars. Pour plus d’informations sur les programmes académiques, visitez musc.edu.

En tant que système de santé clinique de l’Université médicale de Caroline du Sud, MUSC Health se consacre à la prestation de soins aux patients de la plus haute qualité disponible tout en formant des générations de fournisseurs de soins de santé compétents et compatissants pour servir la population de Caroline du Sud et au-delà. Comprenant quelque 1 600 lits, plus de 100 sites de proximité, le MUSC College of Medicine, le plan de pratique des médecins et près de 275 sites de télésanté, MUSC Health possède et exploite huit hôpitaux situés dans les comtés de Charleston, Chester, Florence, Lancaster et Marion. En 2020, pour la sixième année consécutive, U.S. News & World Report a désigné MUSC Health comme le premier hôpital de Caroline du Sud. Pour en savoir plus sur les services cliniques aux patients, visitez muschealth.org.

MUSC et ses affiliés ont des budgets annuels collectifs de 3,2 milliards de dollars. Les plus de 17 000 membres de l’équipe MUSC comprennent des professeurs, des médecins, des fournisseurs spécialisés et des scientifiques de classe mondiale qui offrent une éducation, une recherche, une technologie et des soins aux patients révolutionnaires.

À propos de l’Institut SCTR

L’Institut de recherche clinique & translationnelle de Caroline du Sud (SCTR) est le catalyseur pour changer la culture de la recherche biomédicale, faciliter le partage des ressources et de l’expertise et rationaliser les processus liés à la recherche pour apporter des changements à grande échelle dans les efforts de recherche clinique et translationnelle en Caroline du Sud. Notre vision est d’améliorer les résultats de santé et la qualité de vie de la population grâce à des découvertes traduites en pratiques fondées sur des preuves. Pour en savoir plus, visitez le site https://research.musc.edu/resources/sctr

.