Le Big Data pour filtrer les fausses alertes aux soins intensifs
Financé par le FNS, un projet de recherche mené à Zurich explore le Big Data pour réduire les fausses alertes aux soins intensifs et développer des systèmes d’alarme précoce ainsi que des recommandations thérapeutiques.
Examens médicaux, valeurs de laboratoire, biocapteurs, monitoring, … un patient aux soins intensifs génèrent pas moins de 100 Gb de données par jour. Pourquoi ne pas mettre à profit ce flot d'informations pour développer des systèmes d’alarme précoce et des recommandations thérapeutiques? Voilà l’objectif du projet ICU-Cockpit du Programme national de recherche consacré au Big Data. Avec un total de 36 projets, ce vaste programme bénéficie d’une enveloppe de 25 millions de francs du Fonds national suisse de la recherche scientifique (FNS).
Avec les systèmes de surveillance classiquement utilisés en médecine intensive, 700 alarmes sont déclenchés chaque jour pour un patient. Or, il s’agit en grande partie de fausses alarmes. Pour y remédier, le groupe de recherche a recueilli en temps réel des données auprès de plus de 400 patients et des enregistrements vidéo ont été utilisés (toutes les données ont été anonymisées). Des algorithmes ont ensuite été développés pour réduire les fausses alertes, notamment pour quantifier la quantité des mouvements des patients. Ces derniers produisant des artefacts imprévisibles et importants dans les signaux générés par les biocapteurs. Outre la réduction de ces fausses alertes, les chercheurs ont aussi travailler à la mise au point d’algorithmes pour détecter les lésions cérébrales secondaires imminentes ainsi que les crises épileptiques.
La prochaine étapes des recherches consiste à pouvoir présenter sous forme visuelle les résultats issus de l’analyse de données, de même que d’identifier automatiquement les constellations de risques. «L'identification des constellations de risques et la prédiction des complications critiques permettent une intervention thérapeutique plus précoce. L'analyse en temps réel des flux de données conduit à de nouveaux aperçus physiopathologiques - et à de nouvelles connaissances grâce à des systèmes d'auto-apprentissage», explique Emanuela Keller, responsable de ce projet mené à l’Hôpital universitaire de Zurich en collaboration avec l’EPFZ et IBM Research.
