Les modèles prédictifs d'Arkangel.AI réduisent les admissions à l'hôpital jusqu'à 45 % chez 68 millions de patients atteints de maladies chroniques

Lire l'article →

Révolutionner la gestion des maladies chroniques grâce à l'IA : comment Arkangel.AI prédit et prévient les effets indésirables sur la santé

Des modèles complets basés sur l'IA, déployés à grande échelle, prédisent les risques de maladies chroniques telles que l'IRC, l'insuffisance cardiaque et le diabète, améliorant ainsi le diagnostic précoce, l'observance thérapeutique et les résultats des soins pour 68 millions de patients.

Introduction

Les maladies chroniques telles que l'insuffisance rénale chronique (IRC), l'insuffisance cardiaque et le diabète représentent un fardeau considérable pour les systèmes de santé mondiaux. Rien qu'aux États-Unis, des millions de personnes vivent avec ces affections : plus de 37 millions d'adultes souffrent d'IRC, 6,5 millions d'insuffisance cardiaque et 34 millions de diabète, ce qui les expose à des risques élevés d'hospitalisation, de complications et de mortalité. Les coûts des soins de santé augmentent de manière disproportionnée avec la progression de la maladie, souvent liée à un diagnostic tardif, à une mauvaise observance du traitement et à une coordination inadéquate des soins.

Les méthodes cliniques actuelles peinent à prédire quels patients présentent le plus grand risque d'événements indésirables, ce qui entraîne des hospitalisations évitables et des traitements coûteux. Les approches traditionnelles s'appuient généralement sur des recommandations cliniques statiques ou des ensembles de données limités, manquant d'évolutivité ou de précision pour une stratification personnalisée des risques.

Intervient l'analyse prédictive basée sur l'IA. Exploitant de vastes ensembles de données de santé multimodales, allant des dossiers médicaux électroniques (DME) et des demandes de remboursement à la télésurveillance et aux déterminants sociaux de la santé, les modèles d'IA sont désormais capables d'identifier les schémas de risque cachés, de prévoir la progression de la maladie et de permettre des interventions ciblées et opportunes. Arkangel.AI illustre cette transformation en proposant des plateformes sans code permettant aux établissements de santé de créer et de déployer des modèles d'IA personnalisés pour divers cas d'utilisation liés aux maladies chroniques.

Les solutions d'IA d'Arkangel ont démontré une efficacité remarquable, couvrant 68 millions de personnes, économisant plus de 1,94 million de dollars et réduisant la charge de travail des cliniciens de plusieurs dizaines de milliers d'heures, tout en impactant les résultats dans plus de 350 hôpitaux. Cet article de blog présente l'approche d'Arkangel, ses principales conclusions et ses implications pratiques pour la prise en charge des maladies chroniques en situation réelle.

Partenariat et contexte de l'étude

Arkangel.AI, leader de la démocratisation de l'IA pour les soins de santé, a collaboré avec divers systèmes de santé et organismes payeurs, principalement aux États-Unis. Sa plateforme intègre des données réelles de patients, notamment des dossiers médicaux électroniques complets, des demandes de remboursement, des dossiers pharmaceutiques, des outils de télésurveillance et des déterminants sociaux, offrant ainsi des cas d'utilisation de l'IA adaptés aux hôpitaux, aux cliniques et aux collectivités.

L'attention portée par Arkangel aux multiples maladies chroniques au sein de populations diverses et mal desservies souligne l'impérieuse nécessité d'une identification précoce et d'une optimisation des ressources. La large couverture des patients et les partenariats opérationnels rendent leur travail particulièrement pertinent pour la prestation de soins de santé à grande échelle et les modèles de soins axés sur la valeur.

Conception et méthodologie de l'étude

Les modèles basés sur les données développés par Arkangel s'appuient sur de vastes cohortes issues de DMP et de bases de données de demandes de remboursement, couvrant des millions de patients sur plusieurs années. Les critères d'inclusion varient selon le cas d'utilisation, se concentrant sur les patients diagnostiqués ou à risque de maladies telles que l'IRC, l'insuffisance cardiaque, le diabète et la BPCO. Les principaux ensembles de données comprennent :

• Dossiers médicaux électroniques : Variables cliniques détaillées, signes vitaux, diagnostics, résultats d’analyses, médicaments et listes de problèmes.
• Demandes de remboursement de frais médicaux et pharmaceutiques : Utilisation des soins de santé, codes d’actes, ordonnances et détails des traitements.
• Données de télésurveillance : Données de santé générées par les patients, telles que la tension artérielle, la glycémie et le suivi des activités.
• Déterminants sociaux de la santé (DSS) : Données socio-économiques et environnementales géocentriques affectant les résultats de santé.

La plateforme d’IA sans code d’Arkangel permet le développement rapide d’algorithmes à partir de ces sources de données, en utilisant des architectures d’apprentissage automatique supervisé, notamment le gradient boosting, les réseaux neuronaux et les méthodes d’ensemble optimisées pour les tâches de prédiction des maladies chroniques.

Les modèles d’IA sont entraînés sur des données historiques, avec une validation rigoureuse sur des ensembles de tests conservés évaluant des indicateurs de performance tels que Aire sous la courbe ROC (ASC), précision, rappel et réduction des erreurs par rapport aux systèmes de notation des risques standard et au jugement du clinicien.

Résultats clés

• Prédiction de l'insuffisance rénale chronique (IRC) : Les modèles ont identifié l'IRC non diagnostiquée et ont prédit une progression rapide avec une grande précision, atteignant des ASC supérieures à 0,85. La détection précoce permet des interventions réduisant les admissions à l'hôpital jusqu'à 45 % et les réadmissions de plus de 70 %.
• Stratification du risque d'insuffisance cardiaque : L'IA a prédit les exacerbations aiguës et les hospitalisations, surpassant les modèles cliniques traditionnels (ASC > 0,88), permettant ainsi l'inscription des patients à des programmes de prise en charge qui réduisent les risques de réadmission de 40 %.
• Prévision des complications du diabète : Les modèles ont prédit le risque d'événements indésirables graves, de détérioration du contrôle glycémique et de complications telles que la rétinopathie diabétique, facilitant ainsi la mise en place d'interventions rentables ayant démontré une réduction du risque d'apparition du diabète de type 2 de plus de 50 %.
• Identification et surveillance de la BPCO : Grâce aux données du DME et à des modèles d'apprentissage automatique comme l'Extreme Gradient Boosting (XGB), Arkangel a atteint une précision de classification de 86 %, dépassant les valeurs de référence des réseaux neuronaux, et a identifié des caractéristiques symptomatiques et médicamenteuses clés, précieuses pour une prise en charge précoce. Diagnostic.
• Effets indésirables des médicaments : l'IA a prédit les risques liés à la polypharmacie et à une utilisation potentiellement inappropriée des médicaments chez les personnes âgées, fournissant des informations exploitables pour réduire de 10 à 30 % l'augmentation des risques d'hospitalisation et la morbidité associée.
• Impact opérationnel : le déploiement à grande échelle a permis d'économiser plus de 35 400 heures de travail et plus de 1,9 million de dollars en coûts de santé, couvrant 68 millions de patients et bénéficiant à plus de 350 hôpitaux.

Interprétation et implications

Ces résultats démontrent que les modèles d'IA peuvent prédire avec précision les patients à haut risque pour de multiples maladies chroniques, bien avant une détérioration cliniquement apparente. Grâce à ces informations, les équipes cliniques peuvent mettre en place des interventions rapides, telles que l'ajustement des traitements, la coordination des soins, la surveillance à distance ou le coaching santé, afin de ralentir la progression de la maladie et d'éviter des hospitalisations coûteuses.

Pour les patients, cela se traduit par un diagnostic plus précoce, des plans de soins personnalisés et une meilleure qualité de vie. Les cliniciens bénéficient d'une aide à la décision clinique basée sur les données, réduisant ainsi la charge cognitive et améliorant la stratification des risques. Les systèmes de santé bénéficient de coûts d'utilisation réduits, d'une allocation optimisée des ressources et de meilleurs résultats, alignés sur les objectifs de soins fondés sur la valeur.

Bien que prometteurs, ces systèmes d'IA nécessitent une validation continue auprès de populations diverses, une intégration aux flux de travail cliniques et une attention particulière à l'équité et à la réduction des biais. De plus, l'explicabilité et l'acceptation par les cliniciens restent essentielles à une adoption généralisée.

Déploiement et évolutivité

La plateforme d'IA sans code d'Arkangel facilite le développement, le déploiement et la gestion continue rapides des modèles, permettant aux établissements de santé d'adapter leurs solutions d'IA à leurs populations de patients et à leur infrastructure. L'intégration aux systèmes de DMP et aux parcours de soins existants garantit une utilisation fluide par les cliniciens.

Les obstacles incluent les problèmes d'interopérabilité des données, la perturbation des flux de travail des prestataires et la nécessité d'une conformité réglementaire et de garanties de confidentialité rigoureuses. Arkangel y répond grâce à des architectures modulaires, des pipelines de données automatisés et des cadres de gouvernance de l'IA transparents.

Il est important de noter que cette plateforme d'IA adaptable permet d'étendre son application au-delà des maladies chroniques initiales, à d'autres pathologies telles que les accidents vasculaires cérébraux (AVC), la santé maternelle, la résistance aux antibiotiques, et de réaliser des gains d'efficacité opérationnelle comme l'optimisation de la chaîne d'approvisionnement et la prévision de la durée de séjour.

Conclusion et prochaines étapes

L'application à grande échelle de l'IA par Arkangel.AI à la prévision et à la gestion des maladies chroniques illustre la prochaine étape de la transformation des soins de santé. En exploitant des données riches et multimodales et des architectures d'IA évolutives, ces travaux fournissent des informations exploitables et pertinentes qui peuvent améliorer les résultats pour les patients, réduire les hospitalisations évitables et diminuer les coûts.

Les efforts futurs devraient se concentrer sur des études prospectives validant l'impact en situation réelle, améliorant l'explicabilité des modèles et étendant le déploiement à divers contextes cliniques. Une collaboration continue entre les innovateurs en IA, les cliniciens et les systèmes de santé est essentielle pour exploiter pleinement le potentiel de l'IA dans la prise en charge des maladies chroniques.

À mesure que les technologies d'IA mûrissent et s'intègrent davantage aux soins de santé, des plateformes comme Arkangel, qui démocratisent l'innovation en IA, sont prêtes à révolutionner la prise en charge des maladies chroniques, offrant de l'espoir à des millions de personnes atteintes de ces pathologies complexes.

Pour plus d'informations et des démonstrations, rendez-vous sur Arkangel.AI.