Google et USCF collaborent sur un outil d’apprentissage automatique pour éviter les erreurs de prescription nuisibles

Des experts en apprentissage automatique travaillant chez Google Santé a publié une nouvelle étude en collaboration avec le département des sciences de la santé informatique de l’Université de Californie à San Francisco (UCSF) qui décrit un modèle d’apprentissage automatique élaboré par les chercheurs qui peut anticiper les schémas normaux de prescription de médicaments par les médecins, en utilisant les dossiers de santé électroniques d’un patient (DSE) ) en entrée. C’est utile car environ 2% des patients qui finissent par être hospitalisés sont affectés par des erreurs évitables dans les prescriptions de médicaments, dont certaines peuvent même entraîner la mort.

Les chercheurs décrivent le système comme fonctionnant de manière similaire aux outils de détection de fraude automatisés basés sur l’apprentissage automatique qui sont couramment utilisés par les sociétés de cartes de crédit pour alerter les clients d’éventuelles transactions frauduleuses: ils construisent essentiellement une base de référence de ce qui est le comportement normal des consommateurs en fonction du passé transactions, puis alerter le service de fraude de votre banque ou geler l’accès lorsqu’ils détectent un comportement qui n’est pas conforme au comportement de base de l’individu.

De même, le modèle formé par Google et UCSF a travaillé en identifiant toutes les prescriptions qui «semblaient anormales pour le patient et sa situation actuelle». C’est une proposition beaucoup plus difficile dans le cas des médicaments d’ordonnance, par rapport à l’activité des consommateurs – parce que les cours des médicaments, leurs interactions les uns avec les autres, et les besoins, sensibilités et conditions spécifiques d’un patient donné présentent tous un réseau incroyablement complexe à démêler.

Pour le rendre possible, les chercheurs ont utilisé des dossiers de santé électroniques de patients dépersonnalisés qui incluent les signes vitaux, les résultats de laboratoire, les médicaments antérieurs et les procédures médicales, ainsi que les diagnostics et les changements au fil du temps. Ils ont couplé ces données historiques avec des informations sur l’état actuel et ont proposé différents modèles pour tenter de produire une prédiction précise d’un cours de prescription pour un patient donné.

Leur modèle le plus performant était précis «trois quarts du temps», dit Google, ce qui signifie qu’il correspondait à ce qu’un médecin a effectivement décidé de prescrire dans la grande majorité des cas. Il était également encore plus précis (93%) en termes de prédiction d’au moins un médicament qui entrerait dans la liste des dix premiers choix de médicaments les plus probables d’un médecin pour un patient – même si son premier choix ne correspondait pas à celui du médecin.

Les chercheurs ont rapidement remarqué que bien que le modèle ait jusqu’à présent été assez précis pour prédire un cours normal de prescription, cela ne signifie pas qu’il est capable de détecter avec succès des écarts par rapport à celui-ci avec un degré de précision élevé. Pourtant, c’est une bonne première étape sur laquelle construire ce type de système de signalisation.

Traduit de l’anglais de https://techcrunch.com/2020/04/02/google-and-uscf-collaborate-on-machine-learning-tool-to-help-prevent-harmful-prescription-errors/

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.