Le comté de King, dans l’État de Washington, utilise l’IA pour réduire les décès par surdose de drogue

Le bureau du coroner du comté de King à Washington, comme de nombreuses agences de santé publique à travers le pays, suit les décès par surdose de drogue, propose des interventions aux populations à risque et sauve potentiellement des vies.

Ces dernières années, le comté de King s’est appuyé principalement sur des processus papier et manuels pour signaler les surdoses mortelles de drogue, et les informations sont partagées avec les agences étatiques et fédérales. Ce processus fastidieux de comptage et de déclaration des surdoses mortelles de drogue a pris énormément de temps, car le fentanyl et d’autres décès liés à la drogue ont grimpé en flèche dans la région de Seattle ces dernières années.

À Seattle, le siège du comté, plus de 550 décès par surdose de drogue ont été signalés en 2022, soit une augmentation de 82 % par rapport à l’année précédente. En 2023, environ 1 300 décès par surdose de drogue ont été signalés dans le comté de King.

Auparavant, lorsqu’ils signalaient les décès par surdose de drogue, les coroners utilisaient un rapport narratif non structuré répertoriant des facteurs tels que les aiguilles, les pipes, les pilules, les substances non identifiées et d’autres preuves trouvées sur les lieux. Dans de nombreux cas, le processus impliquait des documents supplémentaires, tels que des rapports toxicologiques.

Les synthétiseurs humains lisent ensuite le document de plusieurs pages, en extraient les informations pertinentes et les saisissent à nouveau dans les formulaires utilisés par les États et les Centers for Disease Control and Prevention des États-Unis. Le système national de déclaration des surdoses de drogues non intentionnelles (SUDORS) du CDC est une base de données nationale sur les surdoses mortelles de drogues qui est utilisée pour mieux comprendre les circonstances, y compris les drogues impliquées et la manière dont elles ont été obtenues.

Jan Martin, épidémiologiste légiste au bureau du coroner du comté de King, a déclaré que l’objectif ultime de la collecte et de la classification des données est de développer des interventions pour les zones connaissant un nombre élevé de surdoses mortelles de drogue. Les interventions peuvent prendre de nombreuses formes, notamment l’éducation de populations spécifiques sur le fentanyl, l’ouverture de nouveaux centres de traitement de la toxicomanie et la distribution de naloxone, un médicament qui réduit les effets des opioïdes, dans des zones spécifiques.

processus qui prend du temps

Cependant, ce processus de reporting manuel prenait trop de temps et nuisait à la capacité de réponse du comté de King. Il faut environ 10 à 12 heures au personnel du comté pour imprimer et numériser des documents relatifs à 200 décès par surdose de drogue, ainsi qu’extraire les données des documents et remplir des milliers de formulaires de déclaration. La création a pris 200 heures.

Grâce au financement du CDC et du ministère américain de la Santé et des Services sociaux, le bureau du coroner collabore avec le bureau des technologies de l’information du comté de King pour utiliser le traitement du langage naturel (NLP) et l’apprentissage automatique (ML) pour le reporting des décès liés à la drogue. un ensemble d’outils pour automatiser l’extraction de données et le remplissage de formulaires.

« Ce projet s’attaque aux problèmes de goulot d’étranglement dans ces programmes, aux facteurs qui les empêchent de devenir plus efficaces », a déclaré Martin.

Introduction progressive

Le nouveau processus comprend trois étapes. Les rapports d’accidents de plusieurs pages et les rapports de tests de dépistage de drogues soumis après une surdose mortelle de drogue sont d’abord numérisés et les informations sont extraites à l’aide de la reconnaissance optique de caractères (OCR).

Dans la deuxième phase, les modèles NLP et ML créés et formés par le service informatique du comté de King extrairont les informations pertinentes de ces rapports numérisés. Le modèle ML inclut le ML classique et l’apprentissage profond pour prédire les étiquettes de catégorie à partir du texte descriptif du rapport.

Le modèle NLP du comté de King est basé sur BERT, un modèle linguistique avancé à grande échelle (LLM). Le service informatique utilise également le service d’IA en ligne de Hugging Face et PyTorch, un framework Python pour créer des modèles d’apprentissage en profondeur. Azure Databricks est également utilisé pour l’analyse des données dans le cadre de la solution.

« Ce projet vise à appliquer certaines des techniques d’automatisation classiques du commerce à un problème très classique : un processus très manuel », a déclaré le département informatique du comté de King, a déclaré Grace Player-Pompisant, directrice de la stratégie et des opérations de données chez . « Et ce qui est vraiment cool, c’est que nous ajoutons un aspect plus expérimental avec des capacités d’apprentissage automatique.

Elle ajoute que la partie apprentissage automatique du projet a commencé comme une preuve de concept visant à ajouter davantage d’automatisation aux efforts de numérisation des rapports.

« Nous nous sommes demandé : ‘Y a-t-il une opportunité d’utiliser les données dont nous disposons déjà pour rendre un processus déjà efficace encore plus efficace en utilisant de nouveaux outils et de nouvelles technologies déjà disponibles ?’

Dans le cadre de la troisième phase du projet, le service informatique a créé deux interfaces utilisateur frontales qui permettent aux résumés d’état de remplir automatiquement les formulaires de rapport. Vous pouvez également voir le travail effectué par la PNL et l’apprentissage automatique. La première interface permet aux utilisateurs de saisir une description textuelle, et les modèles NLP et ML fournissent des étiquettes de champ prédictives et des estimations de confiance de prédiction.

La deuxième interface se concentre sur l’automatisation de la saisie des données dans la base de données SUDORS à l’aide du code JavaScript. Le ministère de la Santé de l’État de Washington et 12 comtés et États à travers le pays ont exprimé leur intérêt pour l’utilisation de l’interface, a déclaré Martin.

Dans la prochaine phase du projet, l’équipe informatique prévoit d’utiliser un modèle d’IA sécurisé pour prédire les étiquettes de catégorie pour plus de 1 000 champs de saisie de données, contre sept champs de saisie de données dans le projet pilote initial. Un autre objectif est d’utiliser cette technologie pour signaler les surdoses de drogues au Système national de déclaration des décès violents (NVDRS).

Ce projet a valu à King County le prix CIO 2024 dans la catégorie Leadership informatique et innovation.

intervention ciblée

Grâce à tous ces facteurs, le comté de King a réalisé d’importants gains de temps en numérisant les rapports descriptifs et en automatisant la saisie des données. Il fallait auparavant 10 à 12 heures pour numériser 200 rapports d’overdose, mais maintenant cela prend 20 minutes, a déclaré Martin. De plus, le temps requis pour remplir les SUDORS et autres formulaires a été réduit d’environ 30 %.

La réduction du temps nécessaire au traitement des rapports permet une réponse plus rapide en cas de pic de surdoses de drogue, a déclaré Playa-Pompisan. Combinées à la cartographie géospatiale, des informations plus récentes permettent aux experts en santé publique de concentrer leurs efforts sur les zones où les surdoses de drogues sont en augmentation.

« Les interventions préventives peuvent améliorer les résultats en matière de santé », ajoute-t-elle. « En superposant ces données en temps réel, nous pouvons non seulement déployer les bonnes ressources, mais aussi les cibler de manière très spécifique. »