Capacités des modèles d'intelligence artificielle dans la décision d'externation du patient suivi en unité de soins intensifs () (ICU)

Cette étude est conçue pour évaluer l'efficacité des modèles généraux d'intelligence artificielle (IA), en particulier ChatGPT et Gemini, pour faciliter les décisions de sortie de l'unité de soins intensifs (USI). L'accent est mis sur l'évaluation des performances de ces modèles d'IA pour prédire le moment approprié pour la transition des patients de l'USI vers une salle générale ou leur sortie vers la maison. L’étude exploitera les techniques d’apprentissage automatique, notamment les algorithmes Random Forest et Decision Tree, pour analyser les données des patients et générer des prédictions.

Conception et méthodologie de l’étude :

Cette étude prospective inclura tous les patients admis en USI pendant cette période. L'étude rassemblera des données cliniques et démographiques complètes, y compris les indications d'admission en soins intensifs, les comorbidités, les résultats anormaux de laboratoire et d'imagerie, les résultats de l'examen physique, les signes vitaux et les traitements quotidiens. Les données seront anonymisées pour protéger la vie privée des patients, seules les informations cliniques étant utilisées pour la formation et l'évaluation du modèle d'IA.

Les modèles d'IA seront formés sur des données hospitalières historiques, en appliquant des algorithmes d'apprentissage automatique pour prédire la nécessité de soins continus en soins intensifs ou l'aptitude à la sortie. Ces prédictions seront comparées quotidiennement aux décisions cliniques prises par les spécialistes des soins intensifs. L'étude utilisera diverses méthodes statistiques pour évaluer l'exactitude et l'alignement des modèles avec les décisions cliniques, notamment les tests du chi carré de Pearson, les statistiques Kappa, les tests de McNemar et l'analyse ROC (Receiver Operating Characteristic).

Formation et évaluation des modèles d'IA :

Les modèles d'IA, ChatGPT et Gemini, subiront une formation utilisant des données patientes anonymisées, en mettant l'accent sur l'optimisation de leur précision prédictive pour les décisions de sortie des soins intensifs. Le processus de formation impliquera l'analyse d'un large éventail de variables cliniques, notamment des données démographiques (âge, sexe, comorbidités), des signes vitaux, des résultats de laboratoire et des résultats d'imagerie. Les modèles seront évalués en fonction de leur capacité à prédire avec précision les besoins de sortie des soins intensifs, les résultats étant validés par rapport aux décisions cliniques réelles prises par les spécialistes des soins intensifs.

Des techniques d'apprentissage automatique, telles que les algorithmes Random Forest et Decision Tree, seront utilisées pour développer les modèles prédictifs. Ces techniques sont choisies pour leur robustesse dans le traitement de données cliniques complexes et leur capacité à fournir des informations sur les facteurs les plus prédictifs de la préparation à la sortie des soins intensifs.

Analyse statistique :

L'étude appliquera plusieurs méthodes statistiques pour évaluer les performances des modèles d'IA. Des statistiques descriptives seront utilisées pour résumer les caractéristiques démographiques et cliniques de la population étudiée. Les tests Pearson Chi-Square évalueront l'association entre les prédictions du modèle d'IA et les décisions de sortie réelles, tandis que les statistiques Kappa mesureront l'accord entre les prédictions de l'IA et les décisions des spécialistes des soins intensifs. Le test McNemar sera utilisé pour évaluer les changements dans les prédictions au fil du temps, et une analyse ROC sera effectuée pour évaluer les performances globales des modèles d'IA, en mettant l'accent sur la sensibilité et la spécificité.

Résultats attendus et importance :

Cette étude vise à déterminer si les modèles d'IA peuvent améliorer la précision et l'efficacité des décisions de sortie des soins intensifs. Les résultats pourraient avoir des implications significatives pour la pratique clinique, conduisant potentiellement à l’intégration de systèmes d’aide à la décision basés sur l’IA dans la gestion des soins intensifs. En améliorant le calendrier et la précision des décisions de sortie, les modèles d’IA pourraient aider à optimiser l’utilisation des ressources des soins intensifs, à réduire la durée du séjour des patients et à améliorer les résultats globaux pour les patients.

L'étude explorera également les performances comparatives de ChatGPT et de Gemini, fournissant ainsi un aperçu du modèle d'IA le mieux adapté à l'intégration dans les flux de travail cliniques. Les résultats pourraient ouvrir la voie au développement d’outils basés sur l’IA plus avancés et adaptés aux besoins spécifiques des établissements de soins intensifs, contribuant ainsi à l’évolution continue des soins de santé grâce à une technologie innovante.