Le Big Data pour améliorer la sécurité des soins intensifs

Les patients hospitalisés aux soins intensifs génèrent une quantité de données considérable. Les chercheurs entendent les mettre à profit pour développer des algorithmes permettant de réduire le nombre de fausses alarmes, notamment (archives). KEYSTONE/GAETAN BALLY sda-ats
Ce contenu a été publié le 02 décembre 2019 - 12:23
(ATS)

Détecter rapidement les complications ou réduire le nombre des fausses alarmes pourrait faciliter la vie des médecins et accroître la sécurité des patients dans les unités de soins intensifs. Un projet explore les avantages du "Big data" dans ce contexte.

Un seul patient traité aux soins intensifs ou aux urgences engendre jusqu’à 100 GB de données par jour. Ces données proviennent de la surveillance des patients, mais également des examens, tels que la tomodensitométrie et la tomographie par résonance magnétique du cerveau, des valeurs de laboratoire et des biocapteurs.

Bien souvent, ce flot d’informations ne peut toutefois servir à la détection précoce des constellations de risques ni à la prise de décision rapide, a indiqué lundi le Fonds national suisse (FNS) dans un communiqué.

Moins de fausses alarmes

Les systèmes de surveillance classiques déclenchent près de 700 alarmes par patient et par jour, une toutes les deux minutes environ. Une grande partie d’entre elles sont toutefois de fausses alarmes.

Une diminution sensible de leur nombre permettrait de réduire la quantité de données, ce qui faciliterait la détection des situations critiques et augmenterait la sécurité des patients. Un projet baptisé "ICU-Cockpit" a été développé aux soins intensifs de neurochirurgie de l’Hôpital universitaire de Zurich (USZ) en collaboration avec l’EPFZ et IBM Research.

Responsable du projet, la neurochirurgienne Emanuela Keller, décrit l’objectif à long terme: "Nous voulons provoquer une évolution radicale des urgences et des soins intensifs et améliorer ainsi la manière de travailler dans la pratique clinique quotidienne".

Signaler les événements critiques

Des données provenant de sources différentes ont été systématiquement recueillies auprès de plus de 400 patients et des enregistrements vidéo utilisés. A partir de ces données anonymisées, les chercheurs ont développé des procédures pour les cas suivants: filtrage des fausses alarmes, détection précoce des crises d'épilepsie et des lésions cérébrales secondaires.

Les décisions thérapeutiques sont souvent prises de manière empirique d’après les expériences et les connaissances des personnes concernées. Or il serait souhaitable d’étayer ces décisions grâce à des analyses de données en temps réel et aux connaissances médicales les plus récentes provenant d’autres sources, par exemple des bases de données harmonisées, note le FNS.

Il est prévu de valider ces travaux par une étude clinique à l'USZ à partir de la fin 2020, a indiqué à Keystone-ATS Emanuela Keller. L'hôpital les appliquera ensuite directement dans sa pratique clinique quotidienne. D'autres algorithmes sont en cours de développement.

Il est également prévu que les travaux avec IBM Research se poursuivent en vue d’utiliser la vidéosurveillance pour détecter les crises d’épilepsie ainsi que d’autres pathologies neurologiques. Ces procédures basées permettraient de mieux surveiller les patients victimes d’une attaque et présentant une paralysie. La Haute école spécialisée du nord-ouest de la Suisse (FHNW) participe également à ce projet.

Cet article a été importé automatiquement de notre ancien site vers le nouveau. Si vous remarquez un problème de visualisation, nous vous prions de nous en excuser et vous engageons à nous le signaler à cette adresse: community-feedback@swissinfo.ch

Partager cet article