L'intelligence continue pilote des diagnostics rapides et précis dans la santé

L'intelligence continue (CI) permet des approches innovantes pour la santé, donnant aux cliniciens des capacités de diagnostic rapides, plus précises.

Deux facteurs pilotent le changement

Les organisations de santé sont bénies avec une richesse de données pour évaluer les conditions patient et prescrire un plan de traitement. De plus en plus, la capacité de faire des diagnostics plus rapides, plus précis requiert de l'intelligence continue (CI) dérivée de l'analyse temps réel de données streaming.

Deux facteurs pilotent ce changement. Premièrement, les attentes des patients changent. La qualité des soins est de plus en plus importante — alors que les patients commencent à exercer leur droit de choisir comment et avec qui ils s'engagent pour leur santé. Ils demandent transparence des données et processus. Conséquemment, les organisations de santé doivent se concentrer sur comment les résultats de qualité peuvent être atteints d'une façon significative pour les patients.

Voir aussi : IA fournissant guidance santé mentale ? Pas si vite, disent psychiatres

Au même moment, la santé connaît de grands changements par la vertu de la disponibilité de nouvelles sources de données. Spécifiquement, il y a l'essor de l'internet des objets (IoT) wearables et dispositifs médicaux connectés. Alors que les organisations de santé utilisent plus d'appareils connectés, dossiers de santé électroniques (DSE), et visites virtuelles avec patients, de plus en plus de données affluent.

Cependant, ces données restent typiquement en silos et n'améliorent pas les soins patient jusqu'à ce qu'elles aient été revues et classées pour usage futur. Faire des progrès requiert des solutions qui peuvent aisément utiliser les différentes sources de données et appliquer l'analytique temps réel à ces données à la volée.

Données temps réel pour le diagnostic

Les solutions qui surmontent les obstacles de données ouvrent de nouvelles opportunités. Par exemple, utiliser des données streaming peut aider au diagnostic précoce d'une variété de conditions de santé dans de nombreux domaines. Un exemple est l'application de communications vocales pour diagnostiquer des conditions médicales.

Considérez le scénario suivant : Une femme appelle inquiète pour la santé de sa mère car elle a récemment des problèmes de perte de mémoire. La mère appelle la ligne de triage infirmière de sa clinique, où son infirmière pose cinq questions pour rassembler information pour diagnostic. L'analyse de sentiment est lancée sur la communication vocale avec l'infirmière. L'information dérivée de cette analyse est combinée avec les données de santé capturées depuis le wearable de la mère (que l'infirmière peut voir en temps réel). L'infirmière utilise alors l'information pour déterminer que la maladie d'Alzheimer est dans un haut degré de probabilité. En résultat, cette interaction aide la fille à déterminer les prochaines étapes pour les soins de santé de sa mère.

Avec une pléthore d'appareils connectés disponibles aujourd'hui, quelque chose d'aussi simple que des communications vocales utilisées pour diagnostiquer (ou déterminer la probabilité de diagnostic) est le bot médical ultime.

Utiliser l'analytique dans les communications vocales pour le diagnostic précoce de certaines conditions médicales est proche de la réalité d'aujourd'hui. Par exemple, l'Apple Watch vient maintenant avec une fonctionnalité Electrocardiogramme (EKG) — fournissant aux utilisateurs de l'information sur leur rythme cardiaque qui peut aider à les alerter sur des conditions non diagnostiquées. Les données temps réel fournies par des wearables comme l'Apple Watch peuvent servir de première étape pour diagnostiquer certaines conditions de santé et alerter les patients pour consulter leur fournisseur quand les données signifient que quelque chose ne va pas.

Combiner analytique temps réel avec IA

Utiliser l'analytique temps réel pour diagnostiquer des conditions pousse le traitement médical à de nouveaux niveaux. Encore plus avancées sont les applications qui utilisent l'analytique prédictive et l'intelligence artificielle (IA) pour prévenir l'éruption d'une maladie ou condition.

Un exemple de l'application de cette technologie préventive est le travail fait par HCA Healthcare pour réduire la menace de mort par sepsis.

Le sepsis est une condition impitoyable qui peut faire des ravages sur le corps. Il ramp souvent, comme un voleur dans la nuit, après que les gens sont déjà admis à l'hôpital pour traiter d'autres conditions. Il éclate alors que le corps combat l'infection, déclenché par un déséquilibre dans les biochimiques mêmes que le corps envoie dans le sang pour combattre l'infection. Si le sepsis progresse vers choc septique, les organes sont endommagés, et la pression artérielle chute — une situation potentiellement mortelle. Le sepsis est responsable de 270 000 morts par an aux États-Unis seulement.

Typiquement, diagnostiquer le sepsis n'est possible que basé sur revue manuelle des dossiers patient pendant les changements de quart. Le problème est qu'au moment où le sepsis est détecté de cette façon, il peut être trop tard. « Chaque heure de diagnostic retardé augmente le risque de mort de quatre à sept pour cent, » dit Dr. Jonathan Perlin, président pour services cliniques et chief medical officer pour la santé chez HCA Healthcare.

Ce délai n'était pas acceptable. Une équipe de cliniciens, data scientists, et professionnels technologiques s'est regroupée pour créer un système d'analytique prédictive temps réel pour détecter plus précisément et rapidement le sepsis chez les patients.

Le défi était de capturer les données liées aux conditions pré-sepsis. Il y en avait beaucoup générées par les plus de 30 millions d'interactions patient annuelles de l'entreprise de santé à travers 1 800 sites de soins. Cependant, beaucoup étaient en silos à travers systèmes et applications disparates.

La plupart des infrastructures de données existantes n'étaient pas conçues pour le business intelligence et reporting à grande échelle. Ce qu'il faut est un moyen de rassembler, analyser, et partager des données temps réel de toutes nos installations pour que l'action sauvant des vies puisse être prise rapidement. Pour adresser ce défi, l'équipe a créé un système d'analytique prédictive temps réel appelé SPOT (Sepsis Prediction and Optimization of Therapy).

Avec SPOT, les cliniciens peuvent plus précisément et rapidement détecter le sepsis chez les patients. La plateforme collecte et analyse des données cliniques — comme localisation patient, signes vitaux, pharmacie, et données laboratoire — et signale les soignants en temps réel pour initier des soins précoces de sepsis.

Avec l'outil SPOT, HCA Healthcare est capable d'améliorer la détection précoce. Les cliniciens peuvent détecter et identifier les indicateurs initiaux de sepsis jusqu'à 20 heures plus tôt que les méthodes de screening traditionnelles.

Le rôle de l'analytique dans la détection précoce de fraude médicale

Au-delà du diagnostic, l'analytique temps réel est envisagée pour d'autres applications santé. Par exemple, un des problèmes majeurs dans l'industrie santé aujourd'hui est la quantité de fraude médicale qui se produit. En 2017, il y a eu 1,3 milliard $ en facturations fausses, selon le Bureau de l'Inspecteur Général du Département de la Santé et Services Humains US. L'analytique peut jouer un rôle significatif dans la détection de fraude médicale aussi bien qu'aider au diagnostic précoce de conditions médicales.

Imaginez un centre d'appels médicaux utilisant la technologie d'analytique vocale pendant un appel d'un patient tentant une fraude médicale. Avec l'analytique embarquée dans le logiciel, des drapeaux rouges dans le ton de voix du patient pourraient être identifiés. La personne gérant l'appel pourrait alors être alertée de la préoccupation signifiée par l'analytique, lui permettant d'investiguer la situation à un niveau plus profond. L'analytique pourrait un jour jouer un rôle clé dans la détection précoce de fraude médicale — alertant les organisations à la fraude potentielle dès le processus de planification de rendez-vous.

Le vrai défi : travailler avec les données

Dans tous les efforts, le défi principal est comment utiliser efficacement le grand nombre de sources de données. Une solution appropriée sera capable de :

Fusionner différentes sources de données continuellement : Les dispositifs médicaux fournissent des affichages visuels de signes vitaux via flux physiologiques comme électrocardiogramme (ECG), rythme cardiaque, saturation en oxygène sanguin (SpO2), et taux respiratoire. Les initiatives de dossiers de santé électroniques à travers le monde créent plus de sources de données médicales. Conditions menaçant la vie comme infection nosocomiale, pneumothorax, hémorragie intraventriculaire, et leucomalacie périventriculaire peuvent être détectées en utilisant l'analytique qui fusionne différentes sources de données.

Délivrer des soins hautement personnalisés : Détecter les signes plus tôt pour améliorer les résultats patient et réduire la durée des séjours. Découverte de connaissances automatisée ou pilotée par clinicien pour identifier de nouvelles relations entre événements de flux de données et conditions médicales.

Supporter le traitement proactif : Construire un profil pour chaque patient basé sur flux de données personnalisés et recevoir des insights continuellement.

Conclusion

Simplement dit, le potentiel temps réel pour l'analytique d'alléger une variété de défis dans l'industrie santé aujourd'hui est énorme. Avec tout le progrès fait dans la création de nouvelle technologie pour catapulter la santé dans la prochaine génération d'expérience patient, il est seulement naturel que le déploiement de l'analytique temps réel pour diagnostic médical précoce, fraude médicale, et autres applications suivra.