Amélioration de la précision du triage par intelligence artificielle en soins primaires

Contexte : Le personnel des cabinets de médecine générale trie les patients qui les contactent pour optimiser l'utilisation des ressources et maintenir la sécurité des patients. La plupart des cabinets de médecine générale utilisent des systèmes de consultation en ligne qui permettent aux patients de contacter leur cabinet via un formulaire en ligne. Ces demandes peuvent être soumises sans parler à un membre du personnel, contournant ainsi le processus de tri habituel. Les systèmes de consultation en ligne peuvent trier les patients en utilisant l'« Intelligence Artificielle » (IA), mais il existe un manque de recherche sur leurs performances. Nous (l'Université de Manchester ; UoM) proposons de combler cette lacune en collaborant avec un fournisseur de système de consultation en ligne doté d'une fonctionnalité de tri IA optionnelle (Patchs).

Questions de recherche Question globale : est-il possible de développer des modèles d'IA qui peuvent reproduire les décisions de tri des cliniciens ?

1. Quels défis les patients et les cabinets de médecine générale rencontrent-ils lors du tri des patients en soins primaires, et quelles en sont les causes ?
2. Quel est le modèle d'IA le plus performant pour le tri des patients en soins primaires ?
3. La performance du tri par IA est-elle maintenue dans différentes régions géographiques ?
4. La performance du tri par IA est-elle maintenue dans le temps ?
5. Comment la performance du tri par IA se compare-t-elle à la pratique clinique actuelle ?
6. La performance du tri par IA change-t-elle lorsqu'elle est déployée en pratique clinique ?
7. Le tri par IA fonctionne-t-il équitablement pour tous les patients ? Méthodes Axe 1 : Quantification du problème de tri. Nous analyserons des données historiques anonymisées de cabinets utilisant Patchs avec le tri IA désactivé. Lorsque disponibles publiquement, nous comparerons ces données avec des données au niveau des cabinets n'utilisant pas Patchs (cabinets témoins). Nous réaliserons des analyses descriptives et inférentielles pour comprendre les problèmes potentiels de tri et les facteurs qui les influencent, tels que les retards dans la prestation des soins.

Axe 2 : Développement de l'IA. Nous utiliserons des données historiques anonymisées de cabinets utilisant Patchs pour développer de nouvelles versions des modèles de tri IA actuellement utilisés avec quatre approches différentes : régression logistique, XGBoost, mémoire à long court terme (LSTM) et modèle de langage élargi (LLM). Nous utiliserons une validation croisée interne-externe par région géographique et comparerons leurs performances en utilisant une méta-analyse à effets aléatoires et des analyses de sous-groupes pour évaluer l'équité (par ex. entre les ethnies). Nous comparerons leurs performances aux modèles de tri IA actuellement utilisés. La version finale des modèles d'IA les plus performants sera développée en utilisant l'ensemble complet des données.

Axe 3 : Évaluation prospective en arrière-plan. Nous obtiendrons des prédictions des modèles d'IA les plus performants sur des données collectées prospectivement de cabinets utilisant Patchs sans tri IA en exécutant les modèles en « arrière-plan ». Nous réaliserons des analyses de sous-groupes pour évaluer l'équité comme décrit ci-dessus.

Axe 4 : Évaluation prospective de l'implémentation. Conformément aux mises à jour logicielles normales de Patchs, nous mettrons à jour les modèles d'IA dans les cabinets utilisant déjà le tri IA avec les versions les plus performantes. Nous mesurerons prospectivement à quelle fréquence le personnel des cabinets et les patients sont d'accord avec les prédictions de tri des nouvelles versions pour tester si leur performance se traduit en soins réels aux patients. Nous réaliserons des analyses de sous-groupes pour évaluer l'équité comme décrit ci-dessus.

Bénéfices attendus Nous aiderons à comprendre les problèmes actuellement rencontrés par les cabinets de médecine générale lors du tri des consultations en ligne. Si nous développons des modèles d'IA améliorés, cela pourrait améliorer la sécurité des patients (par ex. en aidant les patients à recevoir de l'aide plus rapidement) et réduire la charge de travail des cabinets (par ex. en automatisant le processus de tri). Les cabinets de médecine générale et leurs patients dans l'Axe 4 bénéficieraient immédiatement. Nous fournirons des preuves aux cabinets n'utilisant pas actuellement le tri IA pour décider de son adoption.