Analyse de la sémantique, de l'intelligibilité et des résultats de santé

En 1995, des chercheurs du Centre médical de l'Université de Pittsburgh (UPMC) ont publié les résultats d'une étude portant sur 772 000 admissions de patients, dans 78 hôpitaux du pays entre juillet 1987 et décembre 1988. Leur étude cherchait à en déduire probabiliste modèles de tri prioritaire des patients admis pour une pneumonie qui présentaient le risque le plus élevé de mortalité par infection.

Les chercheurs ont évalué une variété de modèles – régression logistique, réseaux de neurones, réseaux de croyances bayésiennes et non bayésiennes et systèmes basés sur des règles – pour déterminer s'ils étaient appropriés pour produire une valeur prédictive élevée pour savoir s'il faut ou non traiter les patients comme des patients hospitalisés. (cas plus graves) ou ambulatoires (cas moins graves).

Comme l'a décrit dans une analyse de 2015 de cette étude de 1995 publiée par des chercheurs de l'Université Columbia et de Microsoft, les modèles les plus précis pouvant être formés à partir de l'ensemble de données de 1995 était constitué de réseaux neuronaux multitâches. Malgré cela, ces modèles ont été jugés trop risqués pour être utilisés sur de vrais patients, car ils n'étaient pas aussi intelligibles (interprétables par l'homme) que les modèles basés sur des règles. L'analyse de 2015 s'est poursuivie –

Sur l'un des ensembles de données sur la pneumonie, le système fondé sur des règles a appris la règle « HasAsthma (x) ⇒ LowerRisk (x )», c'est-à-dire que les patients atteints de pneumonie qui ont des antécédents d'asthme ont un risque plus faible de mourir d'une pneumonie que la population générale. Inutile de dire que cette règle est contre-intuitive. Mais cela reflétait un véritable schéma dans les données de formation: les patients ayant des antécédents d'asthme qui se présentaient avec une pneumonie étaient généralement admis non seulement à l'hôpital, mais directement à l'unité de soins intensifs.

De telles conclusions, basées sur une analyse décontextualisée, pourraient être opérationnalisées en règles illogiques telles que les trois implémentées dans la feuille de règles Corticon de la figure 1. La mise en œuvre de ces trois règles de base illustre également que la qualité visuelle et lisible de un modèle basé sur des règles peut mieux permettre aux personnes chargées de la mise en œuvre des outils informatiques cliniques de détecter les erreurs de logique.

En effet, bien que le modèle le moins intelligible soit plus précis, le fait même qu'il soit moins intelligible le rend vulnérable à des conclusions trompeuses en raison de l'absence de contexte nécessaire, qu'il soit clinique ou autre. L'intelligibilité est donc une exigence distincte pour les analyses utiles des données cliniques pour l'aide à la décision, ainsi que pour l'automatisation des processus dans les soins de santé en général.

Figure 1

Pour les cas d'utilisation où il est moins immédiatement évident pour les utilisateurs que la logique métier qu'ils sont chargés de mettre en œuvre semble contre-productive ou carrément nuisible, l'intérêt de tirer parti d'outils éprouvés et sans code comme Corticon est plus prononcé.

Contrairement à d'autres outils d'automatisation de décision qui fournissent également une interface entièrement intelligible et sans code, Corticon n'exige pas que les modélisateurs de règles détectent des problèmes logiques comme celui-ci, ni n'attendent la phase de test du développement pour révéler les résultats indésirables du règles. Corticon Studio, l'environnement de conception, identifie automatiquement les problèmes liés à la logique des règles que les utilisateurs créent – par exemple, dans le même exemple ci-dessus, le Conflict Checker révélera le conflit entre les règles 1 et 3, tandis que le Completeness Checker montrera que le modélisateur de règles n'a défini aucune action pour les cas où un patient n'est ni asthmatique ni pneumonique. Comme le montre l'exemple présenté avec Corticon, l'intelligibilité devrait renforcer – et non se faire au détriment – de la productivité et de la facilité d'utilisation de l'implémenteur.

Au milieu de l'évolution généralisée de l'informatique des soins de santé vers le développement de normes pour la communication des données de santé entre les applications via FHIR cette série de blogs explore certaines des propositions de valeur globales dérivées de la norme. Comme avec d'autres normes techniques spécifiques au domaine mais disponibles ouvertement, FHIR exploite des concepts de conception de logiciels non spécifiques aux soins de santé, tels que l'intelligibilité.

À l'aide d'exemples et de procédures pas à pas créés avec Corticon et d'autres outils Progress, nous capturerons comment ces concepts de conception sont mis en œuvre dans d'autres domaines, informant et stimulant ainsi l'innovation dans le domaine de la santé.

En savoir plus sur Corticon