Les chercheurs de l'université Emory utilisent Google Cloud Platform pour prédire les septicémies chez les patients en soins intensifs

En associant les données cliniques, le machine learning et l'architecture évolutive de Google Cloud Platform, le moteur de prédiction des septicémies de l'université Emory utilise des analyses en temps réel afin de fournir de meilleurs soins aux patients vulnérables tout en contrôlant les frais médicaux.

La septicémie, réponse auto-immune à une infection, est l'une des pathologies les plus mortelles et les plus coûteuses traitées dans les hôpitaux américains. Elle affecte environ 750 000 Américains chaque année. La prévention et le dépistage précoce pourraient sauver un nombre considérable de vies, et permettre d'importantes économies d'argent et de ressources. Toutefois, il n'existe aucune méthode fiable pour diagnostiquer rapidement la septicémie. Le Dr Shamim Nemati et le Dr Ashish Sharma du Service d'informatique biomédicale de l'école de médecine de l'université Emory ont adopté une approche innovante face à ce défi : en utilisant des dossiers médicaux anonymes recueillis auprès de 30 000 patients des unités de soins intensifs d'Emory, le Dr Nemati a créé un moteur d'IA permettant d'analyser 65 variables pertinentes, dont les signes vitaux, les données démographiques des patients et les résultats du laboratoire. En contrôlant en continu le flux de données d'un patient à des intervalles de cinq minutes, le moteur de prédiction établit une moyenne en temps réel qui calcule la probabilité de développer une septicémie et affiche ses résultats sur un tableau de bord pour que le personnel médical procède à l'évaluation. Le dépistage précoce étant essentiel, les praticiens peuvent voir le score et les éléments expliquant à quel moment le traitement antibiotique est le plus efficace.

"En transformant de notre algorithme de prédiction des septicémies basé sur TensorFlow en application et en diffusant celle-ci sur Google App Engine, nous avons pu nous affranchir entièrement des contraintes d'infrastructure liées à son déploiement à plus grande échelle. Nous pouvons ainsi nous concentrer sur l'amélioration de notre algorithme."

Shamim Nemati, Maître de conférences, service d'informatique biomédicale, Université Emory

Une solution pour les soins intensifs

Le moteur comporte trois composants essentiels : les ensembles de données entrantes et stockées, l'algorithme d'IA qui analyse les données, et une interface utilisateur frontale pour les praticiens. La saisie et le stockage des données sont particulièrement complexes : des dizaines de méga-octets de données haute-résolution, comme la pression artérielle et la fréquence respiratoire de chaque patient, doivent être horodatées, conservées de façon sécurisée et confidentielle, et traitées instantanément, afin de générer des résultats en temps opportun dans des conditions où les enjeux sont majeurs. Le moteur génère alors un score de risque de septicémie moyen qui s'affiche sur un tableau de bord conçu pour que les praticiens le lisent facilement d'un coup d'œil. Un système d'alarme avertit les praticiens lorsqu'un patient atteint un seuil où il est susceptible de contracter une septicémie, ce qui facilite l'intervention immédiate du personnel soignant.

Le Dr Sharma a conçu le moteur sur Google Cloud Platform (GCP) en utilisant un ensemble intégré d'outils GCP et Open Source, tels que TensorFlow, ainsi qu'un ensemble de microservices en conteneur, ce qui a abouti à un traitement uniforme et quasi instantané des données saisies, à des analyses prédictives et à une sortie sur l'interface frontale, tout cela en temps réel. En construisant une base de données FHIR (Fast Healthcare Interoperability Resources) sur GCP, le Dr Nemati et le Dr Sharma s'assurent que le moteur peut évoluer et interagir à travers les institutions sur une plate-forme fiable, sécurisée et privée qui s'associe à d'autres projets sur des technologies cloud, comme les appareils de contrôle connectés déjà utilisés dans les hôpitaux d'Emory.

Exploitation à grande échelle via Google Cloud Platform

À ce jour, le Dr Nemati, le Dr Sharma, ainsi que leur équipe à Emory se sont associés à l'unité de soins intensifs électroniques d'Emory pour valider le moteur sur des données hébergées sur des serveurs locaux, en testant différents stades avant d'atteindre une impressionnante précision à 85 % dans la prédiction des septicémies, quatre à six heures avant le début de l'infection. Afin de déployer le programme sur d'autres sites, ils se sont tournés vers App Engine. "En transformant de notre algorithme de prédiction des septicémies basé sur TensorFlow en application et en diffusant celle-ci sur Google App Engine, nous avons pu nous affranchir entièrement des contraintes d'infrastructure liées à son déploiement à plus grande échelle. Nous pouvons ainsi nous concentrer sur l'amélioration de notre algorithme.", affirme le Dr Nemati.

Maintenant qu'ils savent que le moteur fonctionne, ils prévoient de le tester avec un plus grand nombre d'utilisateurs, à la fois patients et praticiens. Ils portent également l'algorithme sur Google Cloud Machine Learning Engine, ainsi que des TPU pour des performances et une évolutivité améliorées, et intègrent un chiffrement de bout en bout afin de minimiser l'exposition potentielle des données des patients. En réalisant sur GCP une étude largement diffusée, ils peuvent poser un nouvel ensemble de questions : Quelle est le stade idéal pour faire des prévisions avec exactitude ou optimiser les traitements ? Le moteur aidera-t-il les médecins à mieux soigner leurs patients ? Comment un score de risque influence-t-il un traitement à travers des hôpitaux aux flux de travail et aux cultures différents ?

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."

“The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can take meaningful actions for a patient."

Ashish Sharma, Maître de conférences, service d'informatique biomédicale, Université Emory

Merci de vous être inscrit !

Parlez-nous de vos centres d'intérêt.