Quelle pourrait être la stratégie de déploiement de l'IAM auprès des cliniciens ?

Les académiciens américains conseillent de bien réfléchir aux besoins cliniques de l'IAM, d'en évaluer de manière scientifique les bénéfices et les risques avant de procéder à son déploiement en milieu clinique. C'est le thème de ce 4ème billet consacré au rapport de la National Academy of Medicine des Etats-Unis.

https://nam.edu/artificial-intelligence-special-publication/

Selon l'Académie, il existerait en 2019 peu d'exemples de déploiement réussi de l'IAM en milieu clinique. Les preuves demeurent rares en faveur d'un impact positif de l'IAM sur l'organisation des soins cliniques. La littérature est en revanche abondante sur les modèles d'usage de l'IAM et cela contraste avec le peu d'études montrant un déploiement réussi. Pour les académiciens, ce contraste illustre bien la réalité des obstacles à franchir pour déployer les systèmes d'IAM en clinique, en particulier d'aide à la décision médicale.

Les obstacles au déploiement de l'IAM sont multiples et divers. Les principaux sont une mauvaise connaissance et compréhension de l'IAM chez les professionnels de santé, des objectifs cliniques d'usage de l'IAM mal définis, des questions encore non résolues en matière de responsabilité juridique. Cette situation est paradoxale alors que les gains attendus seraient peu discutables. Et les académiciens de citer l'exemple des accidents iatrogènes : "plus de la moitié des plaintes pour faute professionnelle aurait pu être évitée par une aide à la décision clinique". 

Pour inciter les médecins américains à utiliser plus largement les technologies numériques, incluant notamment l'IAM et la télémédecine, les services de Medicare et de Medicaid ont pris la décision le 27 juillet 2018 de rembourser l'usage de la télémédecine et des services de la santé numérique, en particulier les applications de l'IAM.

Quelles sont les principaux domaines d'application de l'IAM en clinique ?

Parmi les raisons (nombreuses) qui doivent conduire les professionnels de santé à adhérer aux applications de l'IAM, il y a tout simplement le fait que les soins sont devenus aujourd'hui pluridisciplinaires dans le cadre d'un parcours de soins coordonné par le médecin.

Les soins, en particulier chez les patients atteints de maladies chroniques, sont de plus en plus dispensés par des équipes multidisciplinaires qui comprennent des médecins spécialistes, des infirmières, des assistants médicaux, des pharmaciens, des travailleurs sociaux, des prestataires de soins et autres professionnels de la santé. Chacun de ces métiers de la santé apporte des compétences propres et des points de vue qui complètent et enrichissent les soins délivrés aux patients. 

L'IAM comme outil de prévision des risques en santé

La prévision des risques par l'IAM peut être définie comme l'usage d'un algorithme qui aurait la capacité de prévoir un résultat futur à partir d'un ensemble de données collectées à un instant donné. Pour l'Académie, c'est un sujet à la fois difficile et controversé. L'outil est difficile à mettre en place, car il faut inclure des dizaines, sinon des centaines de variables recueillies auprès de milliers, voire de millions de patients. Son usage est de plus controversé chez les médecins.

Il s'agit d'appliquer des processus statistiques sophistiqués et/ou l'apprentissage automatique à de grands ensembles de données pour générer des probabilités d'un large éventail de résultats, allant de la mort ou la survenue d'événements graves indésirables à l’hospitalisation. Les personnes ciblées peuvent recevoir plus ou moins de moyens supplémentaires en termes de surveillance clinique, d'examens biologiques, d'interventions ou de suivi médical pour maintenir un certain équilibre des risques, des  prestations et du coût. 

Des prédictions peuvent être faites pour un patient donné, à un moment précis (par exemple, lors d'une consultation, lors de l'admission à l'hôpital ou à sa sortie), ou pour des populations de patients, en identifiant un groupe qui a un niveau élevé de risque de survenue d'un événement clinique indésirable.

En fait, les outils qui permettent de prévoir le ou les risque(s) de survenue d'un événement donné sont disponibles depuis des décennies. On rappelle à cet égard les indices de risques établis depuis 1945 par les cohortes successives de la ville américaine de Framingham. Force est de reconnaitre que cette méthode a été d'une grande fiabilité puisque les facteurs de risques cardiovasculaires précisés par l'étude épidémiologique de Framingham ont rarement été pris en défaut. Cependant, la faiblesse d'autres outils de prédiction de risques est souvent liée à des données disponibles trop limitées (par exemple, de petits  échantillons de données sans information clinique suffisante). Aussi, l'exactitude des prédictions peut se révéler insuffisante pour une utilisation courante en pratique clinique.

Les académiciens soulignent que la mise à disposition des cliniciens d'une information prédictive fiable ne débouche pas forcément sur l'adoption d'un tel outil par les médecins. Ils citent en particulier une étude qui a fourni à plus de 7000 médecins américains de soins primaires un système d'information prédictif pour suivre leurs patients, l'algorithme de l'IAM ayant été construit à partir de données de santé provenant de plus de 5 millions de personnes. En fait cette information prédictive n'était utilisée de façon régulière que par 15% des médecins américains concernés par l'étude, lesquels ont toutefois confirmé que les prévisions algorithmiques des risques encourus par leurs patients s'étaient souvent avérées exactes.

Nelson KM, Chang ET, Zulman DM, Rubenstein LV, Kirkland FD, Fihn SD Using Predictive Analytics to Guide Patient Care and Research in a National Health System. J Gen Intern Med. 2019 Aug;34(8):1379-1380. doi: 10.1007/s11606-019-04961-4

L'IAM comme soutien à la décision clinique

L'aide à la décision clinique (Clinical Decision Support System or CDSS) est un système de technologie de l'information en santé conçu pour fournir aux médecins et autres professionnels de santé un soutien à la décision clinique (voir sur ce site le billet intitulé "Télémédecine(23)" dans la rubrique "Revue et Publications"). Il assiste les cliniciens dans leurs soins, dans l'analyse et l'établissement d'un diagnostic, dans l'analyse des risques. Le CDSS est construit à partir de multiples sources de connaissances : données scientifiques, données de vie réelle, données de santé du patient, etc. Le CDSS peut utiliser une forme d'IAM, le Machine Learning. La faiblesse du CDSS est que l'algorithme ne peut expliquer au clinicien les raisons de telle ou telle décision et souvent le clinicien passe outre la proposition du CDSS car il a une autre analyse. C'est pourquoi peu de professionnels de santé utilisent aujourd'hui le CDSS comme aide au diagnostic et à la décision clinique, la totale fiabilité de ce système n'étant pas pour l'instant assurée.

Toutefois avec les progrès de l'informatique, il devient de plus en plus souvent possible de modéliser et de surveiller des processus cliniques complexes. Par exemple, les données de santé de près de 250 millions de patients ont été analysées à l'aide de l'apprentissage automatique (Machine Learning) pour déterminer les agents hypoglycémiques de deuxième intention les plus efficaces chez les diabétiques.

Vashisht, R., K. Jung, A. Schuler, J. M. Banda, R. W. Park, S. Jin, L. Li, J. T. Dudley, K. W. Johnson, M. M. Shervey, and H. Xu. 2018. Association of hemoglobin A1c levels with use of sulfonylureas, dipeptidyl peptidase 4 inhibitors, and thiazolidinediones in patients with type 2 diabetes treated with metformin: Analysis from the Observational Health Data Sciences and Informatics initiative. JAMA Netw Open. 2018 Aug 3;1(4):e181755. doi: 10.1001/jamanetworkopen.2018.1755.

Le traitement des images par l'IAM

C'est l'un des domaines cliniques où l'IAM commence à avoir le plus d'impact. Il y avait une centaine de publications sur l'IAM en radiologie en 2005, plus de 800 en 2016 et 2017 et plus de 1000 en 2018. Les plus importantes publications concernent l'IRM en neuroradiologie et en mammographie.

Les indications pour lesquelles la technologie actuelle de l'IAM semble la plus adaptée concernent la priorisation des taches pour le médecin radiologue et le suivi des contrôles itératifs qui exigent une attention soutenue et poussée, en particulier lorsqu'il s'agit de comparer des images actuelles avec des images antérieures. Les radiologues cherchent à se concentrer sur les images anormales. Il est probable que la plus importante application de l’IAM sera dans l'imagerie de ­routine qui a besoin d’une aide à la reconnaissance d’images anormales sur lesquelles le radiologue peut ensuite travailler à partir des informations cliniques qui lui sont données par les médecins traitants.

D'autres domaines cliniques reposant sur l'interprétation algorithmique d'une image commencent à émerger : en dermatologie, en ophtalmologie, en cardiologie, en anatomopathologie. La FDA a récemment approuvé le premier dispositif de dépistage de la rétinopathie diabétique. Ce système est actuellement utilisé aux Etats-Unis dans les centres de soins primaires pour dépister les patients diabétiques qui doivent être orientés vers un ophtalmologiste.

Le diagnostic assisté par ordinateur

Ce fut le grand espoir des années 2014-2015, illustré en particulier par la solution Watson d'IBM. En fait, les résultats n'ont pas été très fructueux jusqu'à présent. 

Palmer, A. 2018. IBM’s Watson AI suggested “often inaccurate” and “unsafe” treatment recommendations for cancer patients, internal documents show.Dailymail.com. https://www.dailymail.co.uk/sciencetech/article-6001141/IBMs-Watson-suggested-inaccurate-unsafe-treatment-recommendations-cancer-patients.html?ito=email_share_article-top/ (accessed November 13, 2019).

Pour les académiciens américains, l'explication se trouve probablement dans une insuffisance d'investissements, dont le niveau, dans le diagnostic assisté, est très supérieur à celui qui est nécessaire pour traiter l'imagerie médicale par l'IAM. Les données nécessaires au diagnostic assisté par un algorithme proviennent de nombreuses sources, comprenant les notes cliniques du médecin, les examens de laboratoire, les données de la pharmacie, l'imagerie médicale, l'information génomique, etc. Ces sources de données ne sont souvent pas stockées dans des formats numériques adaptés au traitement algorithmique. Elles manquent aussi de terminologie normalisée. Les académiciens pensent que malgré ces difficultés, le diagnostic clinique assisté par ordinateur devrait de développer dans un futur proche.

Le phénotypage humain par des algorithmes 

C'est une application émergente de l'IAM. Ces algorithmes sont construits à partir de données extraites des dossiers informatisés des patients, ainsi que d'autres sources pertinentes pour identifier les personnes atteintes de certaines maladies ou affections diverses afin de les classer selon le stade évolutif, prenant en compte la gravité des symptômes et d'autres caractéristiques.

Les académiciens estiment qu'il n'existe, pour l'instant, aucun format standardisé commun et structuré, compatible avec un stockage d'algorithmes de phénotypage. Cependant, des approches sémantiques sont en cours de développement. Elles pourraient tenir la promesse d'une caractérisation beaucoup plus précise des personnes ou de groupes que l'utilisation de codes diagnostiques, comme c'est le cas  aujourd'hui.  

Lorsque ces phénotypes sont liés à des génotypes, ils améliorent considérablement la capacité des outils d'IAM à diagnostiquer et à comprendre la base génétique et moléculaire d’une maladie. Au fil du temps, ces progrès peuvent également soutenir le développement­ de nouvelles thérapies.   

Comment mettre en oeuvre les applications de l'IAM en clinique ?

Au fur et à mesure que les applications d'IAM clinique se développent, les organisations de prestation de soins primaires et les hôpitaux vont devoir développer leur propre expertise pour sélectionner les outils et évaluer leur responsabilité. La commercialisation de ces outils va s'intensifier et s'accompagner d'allégations, fondées ou non, sur l'amélioration des résultats cliniques  ou  l'amélioration de l’efficience des soins.

Dix recommandations de l'Académie pour développer l'IAM en clinique. Ces recommandations s'inspirent d'un précédent travail de l'Académie publié en 2011 sur les solutions à mettre en place pour améliorer le système de santé américain. Les académiciens reprennent en 2019 le même document de 2011 en le complétant des impacts attendus de l'IAM pour accélérer l'amélioration du système de santé.

IOM (Institute of Medicine). 2011. Digital Infrastructure for the Learning Health System: The Foundation for Continuous Improvement in Health and Health Care: Workshop Series Summary. Washington, DC: The National Academies Press. https://doi.org/10.17226/12912/

Les deux premières recommandations concernent les éléments fondamentaux à mettre en place.

L'infrastructure numérique doit viser à améliorer de façon constante la capture des données cliniques, des différents processus de soins et des données financières dans le but d'améliorer le système de soins et de générer de nouvelles connaissances.

L'IAM doit faciliter la capture de données de santé "objectives et représentatives" avec la plus large couverture possible pour faciliter la construction d'algorithmes.

L'intérêt d'utiliser les données de santé doit conduire à rationnaliser et à reconsidérer les différentes règles de recherche avec l'objectif de promouvoir le recueil des données cliniques pour améliorer les soins et générer de nouvelles connaissances.

L'IAM doit contribuer à l'amélioration continue de la qualité des soins. Une démarche scientifique doit éclairer la sélection des meilleurs outils d'IAM pour optimiser l'activité clinique et soutenir l'amélioration continue de la qualité des soins.

Les cinq recommandations suivantes concernent les cibles d'amélioration des soins à atteindre avec l'IAM.

Pour le soutien à la décision clinique, il faut accélérer l'intégration des meilleures connaissances cliniques  dans les décisions de soins.

Les outils d'IAM doivent accélérer l’intégration de ces connaissances cliniques au sein d’applications d'aide à la décision clinique.

Pour que les soins soient centrés sur le patient, il faut que les patients et leur famille  soient impliqués dans les décisions concernant leur santé et les soins délivrés. Ces soins doivent être adaptés à leurs choix.

Les outils d’IAM doivent permettre d’impliquer les patients et leur famille pour soutenir la qualité des soins, en pleine harmonie avec les choix qui ont été faits.

Favoriser les liens communautaires. Pour promouvoir les liens communautaires, il faut développer des partenariats cliniques et des services qui visent à améliorer la santé au niveau communautaire.

L’IAM doit promouvoir des applications communautaires et permettre aux patients de les utiliser d'une manière responsable et sûre.

Améliorer la continuité des soins. La coordination et la communication au sein des organisations professionnelles de santé doivent être améliorées.

En améliorant la capture et le traitement des données de santé, l’IAM aide à une meilleure coordination des soins et à l’échange des données entre les professionnels de santé.

Optimiser les pratiques cliniques. Les pratiques cliniques doivent être en amélioration continue afin de réduire les risques d’erreurs et d’accidents. La prestation de soins doit être rationalisée et ne viser que l’amélioration de la santé des patients.

Les outils d’IAM doivent s’inspirer des méthodes d’amélioration continue de la qualité des soins et leur choix doit être guidé par la volonté d'améliorer les pratiques cliniques.

Les trois dernières recommandations concernent les choix politiques pour accompagner la stratégie de développement de l'IAM.

Incitations financières. Les structures qui pratiquent l'amélioration continue des soins au moindre coût doivent être récompensées financièrement.

Les outils d'IAM doivent permettre d’optimiser le remboursement des soins,  de réduire les coûts et avoir un impact neutre ou positif ­sur la qualité des soins.

Transparence des performances. Il faut accroître la transparence sur les résultats et l'efficience des soins de santé.

Les outils d’IAM choisis doivent être performants et donner des résultats transparents et fiables pour permettre l’évaluation du système de soins au sein des populations où ils sont déployés.

Développer l'esprit de leadership. Il faut que l'engagement sur les objectifs d'amélioration du système de santé américain soit le plus large possible en incluant toutes les parties prenantes.

La gouvernance des systèmes d'IAM doit rassembler toutes les parties prenantes pour qu'elles se sentent totalement impliquées dans l'amélioration du système de santé.

Commentaires. Bien que ces recommandations de l'Académie Nationale de Médecine américaine concernent l'amélioration du système de santé américain, elles peuvent tout à fait s'appliquer à d'autres systèmes de santé, notamment en France. Ce qui nous parait remarquable dans ce rapport, c'est la volonté des académiciens américains de faire évoluer les pratiques cliniques des différentes professions de santé pour qu'elles soient les plus performantes possibles avec l'IAM. Les patients et les familles doivent être parties prenantes des choix d'IAM. Les outils d'IAM n'ont pas la mission de remplacer les soignants, mais de les aider à mieux faire leur métier.

18 janvier 2020

 

 

 

 

 

Commentaires

Roland

21.01.2020 10:24

Makes sense, no discussion.Makes it happen is the point but it's worth, so let's continue.

Derniers commentaires

01.12 | 12:57

Merci, très intéressant cet article qui me permet de donner un exemple pour illustrer un cours!

16.11 | 16:08

Merci du commentaire

16.11 | 16:07

Merci de votre commentaire

16.11 | 04:04

Très intéressant en effet, merci.

Partagez cette page