Contexte

Les services d’urgence (SU) au Canada sont confrontés à une surcharge chronique, avec une demande de soins dépassant régulièrement leur capacité. En 2023-2024, on recensait près de 15,5 millions de visites non planifiées aux SU. Ce contexte entraîne des retards de prise en charge, une pression accrue sur les équipes médicales, et une hausse du risque d’erreurs dans le tri des patients. L’intégration d’outils d’aide à la décision basés sur l’intelligence artificielle (IA) s’impose comme une piste prometteuse pour soutenir le personnel infirmier et améliorer l’efficacité du triage.

Objectifs

Ce projet vise à concevoir un outil intelligent de pré-diagnostic médical capable d’optimiser le processus de tri des patients en milieu hospitalier. Les objectifs spécifiques sont :

• Analyser les modèles d’IA existants en triage médical et en évaluer les limites.

• Développer un modèle hybride combinant apprentissage automatique et traitement du langage naturel (NLP).

• Créer un prototype fonctionnel en utilisant les bases de données MIMIC-IV et MIMIC-IV ED.

• Évaluer la performance du modèle à l’aide de données réelles provenant de centres hospitaliers de la région.

Méthodologie

Le développement de l’outil repose sur une démarche en quatre étapes :

1. Préparation des données : Nettoyage, normalisation et encodage des données cliniques issues de MIMIC-IV/ED.

2. Développement du modèle : Utilisation de réseaux de neurones (LSTM, GRU), techniques NLP pour analyser les notes cliniques, et algorithmes supervisés comme Random Forest ou XGBoost.

3. Entraînement et optimisation : Ajustement des hyperparamètres, optimisation via Adam Optimizer et gestion des classes déséquilibrées.

4. Évaluation du modèle : Mesures de performance (AUC-ROC, sensibilité, spécificité), comparaison avec le tri humain, et analyse de l’explicabilité à l’aide de SHAP et LIME.

Conclusion

L’outil proposé représente une solution innovante pour améliorer le triage hospitalier grâce à l’IA. Il combine des données cliniques structurées et textuelles pour émettre des recommandations rapides et précises. L’intégration de mécanismes d’explicabilité vise à renforcer la transparence et à favoriser l’adoption de ce type de technologie par les professionnels de santé.