Comment l’intelligence artificielle (IA) pourrait améliorer la rapidité et la précision de la réponse aux infections nosocomiales dans les hôpitaux, et pourrait même permettre de les prévenir, c’est l’objet de cette revue de la littérature présentée lors de l’European Congress of Clinical Microbiology and Infectious Diseases (ECCMID 2024). Une analyse qui confirme le potentiel remarquable de l’IA pour lutter contre ces épidémies qui font près de 10.000 décès en France chaque année.
L’auteur principal, le Dr Jonas Marschall, du Service des maladies infectieuses de l’Université de Washington (St. Louis) fait état d’une épidémie d’Enterococcus faecium (ERV) résistant à la vancomycine qui avait débuté fin 2017 à l’hôpital universitaire de Berne (Suisse), et s’est poursuivie jusqu’en juillet 2020, en raison de la multirésistance toute particulière de la bactérie.
Les enquêtes menées sur cette épidémie ont révélé que la plupart des patients atteints d’ERV étaient colonisés et non infectés : c’était donc une « épidémie silencieuse ». L’isolement des patients atteints d’ERV était coûteux car il nécessitait des chambres seules, des équipements de protection individuelle (EPI) et impliquait de fermer des lits. Enfin, le dépistage des ERV nécessitait un effort logistique et financier important car il nécessitait un traçage, devait couvrir des étages entiers, voire l’ensemble de l’hôpital.
L’étude a consisté à réanalysé les dossiers médicaux générés au cours des deux premières années (2018 et 2019) de cette infection nosocomiale. La recherche identifie :
- les différents facteurs de risque de colonisation par les ERV ;
- les données ont permis de nourrir un modèle de réseaux de neurones graphiques (un type d’IA) ; ces modèles analysent les connexions entre les « nœuds » discrets d’un réseau (qui peuvent être des patients, des chambres, des appareils) et déterminent, par exemple, quels nœuds sont les plus connectés ou quels nœuds ont le chemin le plus court vers un autre nœud (et impactent ainsi le rôle d’un autre nœud et jouent un rôle plus important dans l’épidémie) ;
- ce modèle a permis d’identifier les sources les plus importantes de l’infection : ici, le modèle révèle que le « service d’électrocardiographie » et la « salle d’examen » étaient au centre de nombreuses interactions et constituaient des lieux de transmission privilégiés ;
- en conséquence, ces sources ont été particulièrement ciblées par les interventions de désinfection.
Des limites tout de même : dans cet exemple, toutes les interactions des employés n’ont pas été prises en compte, en particulier en termes de temps passé par un professionnel de santé avec un patient en particulier.
Pour parvenir à un outil optimisé il faut disposer de l’ensemble des données, dont les données d’interactions entre les patients, les personnels,
les visiteurs, les chambres et les appareils. Cependant, il semble possible d’adapter l’approche décrite dans ce cas, à n’importe quel contexte, à condition de mettre en œuvre des outils de recueil des données dans un format stockable et analysable.
Pour que l’IA prenne toute sa place dans la prévention des infections nosocomiales, il va falloir affiner encore ces outils, sur le terrain, c’est-à-dire lorsqu’une telle épidémie se produit en temps réel dans un hôpital. La beauté de l’IA dans la gestion des épidémies sera à terme de rendre les décisions opérationnelles en temps réel plus faciles, plus rapides et plus précises.
Avec à la clé une grande amélioration possible de la sécurité des soins de santé.
Source: The European Congress of Clinical Microbiology and Infectious Diseases (ECCMID 2024) 27 Feb 2024 How artificial intelligence could improve speed and accuracy of response to infectious disease outbreaks in hospitals, and even prevent them
Plus sur l’Intelligence artificielle en santé
Laisser un commentaire