L
Voici un exemple concret d’utilisation de l’IA en rééducation. Les auteurs de l’étude partent du problème de réadmission de patients traités en rééducation pour améliorer leur autonomie fonctionnelle. A un moment, une décision de retour à domicile est prise en fonction du niveau de performance, mais il existe de nombreux échecs avec des retours en hospitalisation. Prévoir ces échecs est d’une grande aide à la planification de la rééducation et aux objectifs de niveau de performance poursuivi.

Trois IA avec des algorithmes différents sont testées par l’analyse de 16 902 cas répertoriés, ayant dans leur données un score d’indépendance fonctionnelle. Les machines absorbent en plus de ce score l’ensemble des données individuelles et la meilleure a été gardée pour prédire les re-hospitaliations.

Résultat :
La capacité discriminante de l’IA est très élevée, meilleure que celle des hommes, avec un indice de discrimination de 0,852 IC[0,841-0,869] et comme on peut le constater un intervalle de confiance très serré. Le calcul montre une spécificité très élevée : supérieure à 0,997 mais une sensibilité faible, 0,07. Le seuil optimal sur le score d’indépendance fonctionnelle est calculé sur une courbe ROC et montre alors une sensibilité de [0,754-0,867] et une spécificité de [0,747-0,780].
Conclusion :
Les mesures d’indépendance fonctionnelles peuvent être mesurées par une IA avec une prédiction des retours en hospitalisation très efficace et ces résultats peuvent être largement améliorés par une extension des datas (les 16902 patients viennent tous d’un hôpital de Caroline du Nord). Cet outil peut donc être d’un aide précieuse pour les rééducateurs dans leurs objectifs et dans la durée de séjour. Par contre, comme attendu, c’est bien la décision médicale de sortie, donc le médecin qui est remplacé par la machine…

Biomed Inform. 2018 Sep 17. Predicting the risk of acute care readmissions among rehabilitation inpatients: A machine learning approach. Xue Y1, Liang H2, Norbury J3, Gillis R4, Killingworth B1.