Un modèle d’IA vise à prédire le risque de dialyse avant une crise

Pourtant, beaucoup de patients « entrent en dialyse » de façon brutale. Ils se présentent à l’hôpital très malades et ont besoin de soins urgents. Ces débuts non planifiés sont associés à de moins bons résultats. Environ 40 % des patients commencent la dialyse de cette façon. C’est ce qui a amené le Dr Gregory Hundemer, néphrologue et clinicien-chercheur à L’Hôpital d’Ottawa et professeur adjoint à l’Université d’Ottawa, à poser une question simple : peut-on savoir qui risque d’avoir besoin de dialyse bientôt et agir avant que la situation ne devienne urgente?

Les cliniques de néphrologie génèrent un flux continu de résultats de laboratoire et de données cliniques. Les médecins examinent les tendances, les symptômes et s’appuient sur leur expérience pour évaluer l’évolution. Mais lorsqu’on suit de nombreux patients pendant de longues périodes, il peut être difficile de repérer de façon constante des tendances subtiles. Le Dr Hundemer et son équipe ont entrepris de développer un modèle d’intelligence artificielle (IA) qui estime la probabilité qu’un patient ait besoin de dialyse au cours des six à douze prochains mois. Pas dans plusieurs années, mais à court terme, quand il est encore possible de planifier.

Avec l’accès à 15 années de données sur des patients, le Dr Hundemer a vu l’occasion d’utiliser l’apprentissage automatique pour détecter des tendances difficiles à suivre de manière fiable dans les soins de routine, dans un domaine qui s’est longtemps appuyé sur des outils de prédiction plus conventionnels. Il s’est associé à ses collègues de l’Hôpital d'Ottawa et de l'Université d’Ottawa Ran Klein, Ayub Akbari et Chris McCudden, ainsi qu’à James Green de l’Université Carleton et au doctorant Martin Klamrowski, qui dirige les travaux sur le modèle lui-même et sur l’interface que les cliniciennes et cliniciens utiliseraient.

Pour le Dr Hundemer, la collaboration a été tout aussi importante que la technologie. « C’est l’équipe la plus interdisciplinaire avec laquelle j’ai travaillé, a-t-il dit. Je n’ai aucune expertise en IA ou en apprentissage automatique. Moi, j’apporte l’expertise rénale et eux apportent l’expertise en IA et en apprentissage automatique. Réunir ces forces a été rafraîchissant. On travaille avec des personnes qui ont des expertises et des points de vue différents des nôtres, et on obtient un meilleur produit au final. »

Quand l’équipe a comparé son modèle à des approches plus traditionnelles, les résultats se sont révélés encourageants. Le Dr Hundemer a indiqué que la méthode fondée sur l’IA surpassait les modèles conventionnels. L’une des raisons est qu’elle peut tenir compte de la complexité du monde réel, notamment des issues concurrentes comme le décès, un aspect que de nombreux modèles plus anciens géraient mal. Dans une population atteinte de maladies graves, cela compte. Il a ajouté que les premières données issues des tests sont très prometteuses, alors que les travaux de validation se poursuivent.

En pratique, l’outil est conçu pour appuyer les soins courants. Quand un patient se présente en clinique, le médecin examine les mêmes résultats de laboratoire et les mêmes renseignements cliniques qu’à l’habitude. Le modèle ajoute une estimation du risque à court terme fondée sur l’évolution des paramètres dans le temps, en générant la probabilité que le patient ait besoin de dialyse dans les six à douze prochains mois.

L’équipe a réfléchi attentivement à la façon dont différents utilisateurs interagiraient avec l’outil afin que l’interface réponde à leurs besoins respectifs. Les patients, par exemple, ne veulent pas voir des graphiques complexes ou des valeurs brutes de laboratoire. Ils veulent une réponse claire. Les cliniciennes et cliniciens veulent comprendre ce qui alimente l’estimation du risque. Les gestionnaires pourraient utiliser l’outil pour repérer des cas atypiques, tirer des leçons de situations manquées et améliorer le modèle au fil du temps.

L’équipe a commencé à intégrer le modèle aux soins rénaux à L’Hôpital d’Ottawa en utilisant la plateforme Epic. Le projet a aussi été sélectionné parmi les premières initiatives de recherche à être étudiées dans Epic Cosmos, qui s’appuie sur des données provenant de centres de santé du monde entier et permet une validation à plus grande échelle. Une validation provinciale est en cours en Ontario et en Alberta. L’équipe a également mobilisé des parties prenantes, notamment des cliniciennes et cliniciens, des patients et le Réseau rénal de l’Ontario, dans la planification d’un déploiement futur.

Le projet a reçu l’appui de plusieurs sources, dont le Programme de financement de démarrage en intelligence artificielle (IA) de la Faculté de médecine. Ce programme de la Faculté de médecine de l’Université d’Ottawa offre du financement pour des projets d’un an qui renforcent les capacités en IA en santé et en médecine. Il soutient des projets qui font passer l’IA vers des usages concrets et il est appuyé par le Fonds de transfert des connaissances en IA. Pour l’équipe du Dr Hundemer, ce financement de démarrage a permis de faire progresser le modèle localement, de soutenir les tests avec des ensembles de données provinciaux et de contribuer au développement de l’interface utilisateur. D’autres organismes qui ont financé le projet sont l’Association médicale universitaire de L’Hôpital d’Ottawa et les Instituts de recherche en santé du Canada.

Les prochaines étapes dépendront d’un soutien additionnel. L’équipe prévoit réaliser une analyse coût-efficacité pour mieux comprendre ce que signifierait la mise en œuvre pour le système de santé, comparativement aux coûts associés aux débuts non planifiés de la dialyse et aux soins hospitaliers. Elle travaille à l’obtention de nouvelles subventions pour appuyer un essai interventionnel et elle planifie un essai clinique. Si ces étapes sont concluantes, le modèle pourrait être adapté au-delà d’un seul établissement. La commercialisation fait aussi partie de la vision globale du projet, mais la priorité demeure une validation rigoureuse d’abord.

Si les données probantes se confirment, l’outil pourrait être déployé à l’échelle nationale et même internationale. Pour le Dr Hundemer, l’objectif est très concret : si les cliniciennes et cliniciens peuvent repérer les patients qui risquent d’avoir besoin de dialyse dans un avenir rapproché, ils peuvent mieux se préparer, réduire les débuts précipités, avoir plus de temps pour planifier et offrir de meilleurs soins au moment où cela compte le plus.