À l'échelle mondiale, le nombre d'opérations chirurgicales réalisées chaque année dépasse les 300 millions. Bien que les chirurgies soient des éléments cruciaux des soins médicaux, elles présentent une prévalence élevée d'événements indésirables (c'est-à-dire des patients blessés à la suite de leur traitement médical) par rapport aux autres spécialités médicales (46 à 65 % de tous les événements indésirables sont liés à la chirurgie).
Chaque chirurgie génère, si collectée par l’hôpital, des séries temporelles de données sur chaque patient, qui peuvent être structurées pour développer des modèles visant à prédire les évènements indésirables sur base des signaux physiologique et leur évolution dans le temps pendant la chirurgie.
C’est ce qu’on fait des chercheurs de l’Université de Washington et de Microsoft, qui ont présenté une méthode d'intégration transférable (c'est-à-dire une méthode pour transformer les signaux de séries temporelles en variables pour les modèles d'apprentissage automatique prédictifs) appelée PHASE (PhysiologicAl Signal Embeddings).
Les chercheurs ont recolté les données EHR minute par minute de plus de 50 000 chirurgies et ont testé leur modèle de prédiction, qui dépasse les autres décrits dans la littérature jusqu’à présent. PHASE atteint en effet une précision de prédiction nettement supérieure à un coût de calcul inférieur à celui des approches conventionnelles.
Cet étude, très importante pour l’intégration de l’IA dans l’analyse des signaux physiologiques, sert d’exemple sur l’importance, pour les institutions de soins, de collecter soigneusement les données lors des hospitalisations des patients afin d’en améliorer la qualité des soins.
