INTRODUCTION

L’anesthésiologie est une spécialité qui a une longue tradition en matière d’innovation technologique en lien avec l’amélioration de la sécurité des patients. Toutefois, le développement technologique des 20 dernières années a connu une accélération sans précédent. Cet essor est lié principalement à la croissance exponentielle des données et de la puissance informatique, propice à l’application des outils d’intelligence artificielle (IA) dans le cadre périopératoire. À l’heure actuelle, la technologie émergente en anesthésiologie et en médecine périopératoire présente l’énorme potentiel d’améliorer encore davantage la sécurité des patients et la qualité des soins. L’application de l’IA permettra d’améliorer la sécurité des patients en aidant le médecin à consulter rapidement des données provenant de sources diverses, à les synthétiser afin de prendre de meilleures décisions médicales, plus pertinentes, dans le cadre d’un système de santé complexe.^1-3 En outre, l’IA sera utilisée pour améliorer la sécurité des patients par son intégration dans le flux de travail des leaders de la sécurité des patients et de la qualité des soins périopératoires, des chercheurs en sécurité des patients et des leaders des systèmes de santé. Le rôle de l’IA en termes d’amélioration de la sécurité des patients s’étend de sa capacité à renforcer les décisions politiques pour identifier, évaluer et atténuer les risques à la sécurité des patients à grande échelle.^4,5 Dans cette brève étude, nous présentons un aperçu de l’IA en tant que technologie émergente et fournissons un cadre pratique permettant aux anesthésistes de comprendre le lien important entre l’IA et la sécurité périopératoire des patients.

LA SÉCURITÉ DES PATIENTS ET LES TECHNOLOGIES ÉMERGENTES DANS UN MONDE COMPLEXE

La sécurité des patients peut être définie par l’absence de préjudice évitable subi par le patient et l’atténuation des risques de préjudice dans le cadre de soins de santé.⁶ En tant que leaders de la sécurité des patients, les anesthésistes sont à l’avant-garde de la recherche, de l’amélioration de la qualité, de l’adoption de technologies et de l’intégration de principes techniques pour réduire les préjudices et les risques subis par les patients. Le défi de prodiguer des soins d’anesthésie en toute sécurité dans le cadre de la médecine périopératoire actuelle peut devenir un problème de sécurité des patients à part entière, car la complexité des pathologies des patients, la vitesse de la dispensation des soins, l’échelle des systèmes de santé, les défis liés à la communication entre les spécialités multiples et le volume impressionnant de données générées augmentent constamment. La nécessité pour les équipes d’anesthésie de faire évoluer leurs connaissances, leur présence et leur efficacité dans l’ensemble du cadre périopératoire et du système de soins n’a jamais été aussi grande, en particulier à une époque où les acteurs du secteur subissent un stress immense.

Afin de répondre aux défis actuels de la prestation des soins de santé et de continuer à tenir la promesse d’assurer la sécurité des patients, les équipes d’anesthésie doivent comprendre les technologies émergentes et celles qui sont disponibles pour les aider à améliorer la sécurité des patients. L’IA est l’une des plus grandes technologies émergentes qui a déjà changé le monde en dehors des soins de santé et elle est sur le point d’être adoptée plus largement dans ce secteur. Pour faire progresser de manière responsable le domaine de la sécurité périopératoire des patients, les anesthésistes doivent comprendre les principes de l’IA, les possibilités, les risques, l’éthique et l’utilisation de l’IA dans la pratique clinique. Cela nécessitera un partenariat et une collaboration au sein d’une équipe diversifiée d’acteurs de la santé et notamment la capacité des anesthésistes à communiquer efficacement avec des spécialistes des données, des informaticiens, des analystes de données et des experts en intelligence artificielle.

APERÇU DES APPLICATIONS DE L’INTELLIGENCE ARTIFICIELLE EN ANESTHÉSIE

L’IA peut être définie au sens large comme la capacité d’un ordinateur ou d’un dispositif à analyser un gros volume de données de soins complexes, à révéler des connaissances, à identifier les risques et les opportunités et à contribuer à prendre de meilleures décisions.⁷ Alors que le domaine de l’IA évolue rapidement, des techniques majeures utilisées dans le domaine de la santé sont notamment l’apprentissage automatique, le traitement du langage naturel³ et l’association de l’IA et du soutien des décisions cliniques par le développement d’interfaces graphiques utilisateur.

L’apprentissage automatique est l’une des formes les plus courantes de l’IA. Elle peut être considérée comme une technique statistique permettant de faire correspondre des modèles à des données, avec l’ordinateur qui « apprend » comment comprendre les données en utilisant des ensembles de données d’entraînement comme exemples.⁸ Les formes avancées d’apprentissage automatique comprennent les réseaux de neurones et l’apprentissage profond. Des exemples récents d’apprentissage automatique dans le domaine de l’anesthésie comprennent l’étude des variables qui permettent de prévoir l’hypotension post-induction au moyen des données du dossier médical électronique,⁹ la valeur de l’index bispectral (BIS™, Medtronic, Dublin, Irlande) en fonction de l’historique de perfusion du propofol et du rémifentanil,¹⁰ ou la mortalité postopératoire en milieu hospitalier à l’aide des données préopératoires et peropératoires.¹¹

Le traitement du langage naturel est une forme d’IA qui peut être utilisée pour extraire des informations pertinentes de données textuelles non structurées. Par exemple, le traitement du langage naturel a été utilisé récemment dans le cadre d’une étude rétrospective pour évaluer la possibilité qu’un ordinateur puisse extraire du texte libre non structuré sur des pathologies dans des dossiers médicaux électroniques et qu’il puisse être utilisé pour générer un rapport automatique d’évaluation pré-anesthésie. Les résultats étaient centrés sur le nombre de fois où le logiciel de traitement du langage naturel reconnaissait les pathologies par rapport à un anesthésiste. L’étude a rapporté que dans 16,57 % des cas, le traitement du langage naturel était capable de reconnaître des pathologies pertinentes que le clinicien n’avait pas relevées, et qu’il ne reconnaissait pas des pathologies pertinentes constatées par les cliniciens que seulement dans 2,19 % des cas.¹² Les possibilités d’utilisation du traitement du langage naturel pour faire évoluer et élargir les capacité d’un anesthésiste dans un cadre de soins complexes avec des ressources limitées en personnel constituent un argument convaincant de l’utilisation de l’IA pour la sécurité des patients.

L’intelligence artificielle peut aussi être utilisée dans les systèmes d’aide à la décision clinique, qui font partie des soins modernes en matière d’anesthésie, où le système de gestion des informations sur l’anesthésie peut fournir des rappels électroniques à l’équipe d’anesthésie sur le dosage des antibiotiques périopératoires, sur l’utilisation de la prophylaxie contre les nausées et les vomissements postopératoires chez les patients à haut risque, et aider à la gestion de la glycémie. Une méta-analyse récente a permis de démontrer que l’aide à la décision clinique peut améliorer le respect de la prophylaxie antibiotique périopératoire.¹³ Les rôles de l’IA à l’avenir en matière d’aide à la décision clinique pour améliorer la sécurité des patients pourraient inclure des recommandations sur l’antibiotique idéal compte tenu des informations du dossier médical électronique du patient, de ses antécédents médicaux et de la procédure chirurgicale. L’IA peut aussi être utilisée pour faire évoluer la sécurité périopératoire des patients grâce à une détection plus précoce d’une détérioration clinique et fournir une aide à la décision clinique pour la gestion optimale des changements physiologiques peropératoires.

LE QUINTUPLE OBJECTIF

Comprendre l’impact direct que l’IA aura sur la sécurité périopératoire des patients peut être étudié à travers le prisme du quintuple objectif (Figure 1). Le quintuple objectif est la proposition de l’étape suivante de l’amélioration de la sécurité des patients et de la qualité des soins dispensés. En 2008, l’Institute for Healthcare Improvement (Institut pour l’amélioration des soins de santé) a élaboré le Triple objectif, un cadre visant à promouvoir l’expérience patient, améliorer la santé de la population et réduire le coût des soins, qui étaient les clés de la transformation du système de soins.¹⁴ En 2014, le Quadruple objectif a été introduit pour inclure le bien-être des médecins, en réponse à une recherche démontrant que la charge de travail et le burnout des médecins étaient en lien avec plus d’évènements touchant la sécurité et une moindre qualité des soins.¹⁵ De nombreux organismes d’accréditation tels que le National Committee for Quality Assurance (Comité national pour l’assurance de la qualité) et la Joint Commission (Commission mixte) ont reconnu l’importance de réaliser le Triple et le Quadruple objectif. En 2022, le Quintuple objectif a été proposé afin d’ajouter un cinquième objectif : favoriser l’équité en santé. Il s’agissait de reconnaître que pour dispenser une prestation de soins de haute qualité en assurant la sécurité des soins pour les populations et réaliser les autres objectifs, il fallait se concentrer activement sur l’évaluation, l’étude et la résolution des disparités.¹⁶

L’IA a un rôle critique à jouer dans la sécurité périopératoire des patients dans le cadre du Quintuple objectif. Dans le système complexe et moderne des soins de santé, l’IA peut aider les anesthésistes à poursuivre les cinq objectifs du Quintuple objectif, pouvant ensuite se traduire par une amélioration de la sécurité et de la qualité des soins dans la continuité périopératoire. La Figure 2 fournit divers exemples potentiels des applications de l’IA dans le cadre du Quintuple objectif pour améliorer la sécurité des patients et la qualité.

BILAN

La maîtrise de l’IA pour améliorer la sécurité des patients dans le cadre d’une anesthésie nécessitera des nombreux travaux de la part des médecins au niveau personnel, des groupes d’anesthésistes, des systèmes de santé et des organes réglementaires, tels que l’Administration américaine des aliments et des médicaments (FDA). L’IA n’est pas aussi généralisée dans la pratique clinique qu’on aurait pu l’envisager il y a cinq ans. D’autre part, l’évolution de l’adoption de l’IA dans la sécurité théorique et pratique des patients nécessitera encore du temps. De nombreux évènements présagent l’intégration réelle de l’IA dans la sécurité périopératoire des patients. De nouveaux dispositifs réglementaires développés par la FDA en 2019 ont permis de réduire les obstacles réglementaires et l’incertitude financière pour permettre aux sociétés de développer des applications de l’IA dans le milieu de la santé. Contrairement aux dispositifs médicaux traditionnels, en raison de la nature des mises à jour logicielles et d’autres différences, il était nécessaire de réglementer les logiciels d’IA et d’apprentissage automatique dans leur parcours pour devenir des dispositifs médicaux. Avec plus de clarté en matière de réglementation et des améliorations en matière de recherche et de développement de l’IA dans le domaine de la santé, il est probable que le déploiement de l’IA au niveau individuel et au niveau des systèmes de santé s’élargira.

D’autres considérations importantes de l’IA dans le domaine de la santé sont notamment des niveaux transparents de compréhension de la conception des algorithmes, ainsi que l’atténuation et l’élimination du biais associé aux algorithmes de l’IA.¹⁷ Par exemple, il est nécessaire que les équipes qui les utilisent comprennent les algorithmes de l’IA qui aident à améliorer les performances des médecins, notamment par un degré de transparence du fonctionnement de ces algorithmes.¹⁸ Par ailleurs, une attention particulière doit être apportée au développement fondamental des algorithmes de l’IA et aux données utilisées pour produire les outils de l’IA, afin de réduire les risques de biais racial/ethnique, socio-économique et statistique.^18-20

CONCLUSION

Afin de progresser dans le domaine de la sécurité des patients en per anesthésie et en périopératoire, des technologies émergentes telles que l’IA devront être apprises et intégrées au domaine de l’anesthésie clinique. Pour que l’IA soit efficace, la mise en œuvre d’analyses fondées sur des données des paradigmes de la sécurité des patients dans le domaine de l’anesthésie nécessitera que les établissements innovent en soutenant le développement et l’élaboration d’équipes multidisciplinaires de médecins, d’analystes de données, d’ingénieurs, d’informaticiens et de chercheurs en sécurité des patients. Au fur et à mesure de l’évolution des prestations d’anesthésie, la nature multidisciplinaire de la sécurité périopératoire des patients devra répondre par une approche, une équipe et une solution multidisciplinaires innovantes, qui mettent à contribution l’évolutivité et les atouts de l’IA à travers le prisme du Quintuple objectif.

 

Jonathan M. Tan, MD, MPH, MBI, FASA, est professeur adjoint d’anesthésiologie clinique et sciences spatiales à l’hôpital des enfants de Los Angeles, École de médecine Keck à l’Université de Californie du Sud et Institut d’études spatiales de l’Université de Californie du Sud, Los Angeles, Californie.

Maxime Cannesson, MD, PhD, est professeur d’anesthésiologie et président du Département d’anesthésie et soins périopératoires à l’école de médecine David Geffen de l’Université de Californie, Los Angeles, Californie.

---

Déclarations : Jonathan Tan, MD, MPH, MBI, FASA, bénéficie du financement d’une bourse de recherche de l’Anesthesia Patient Safety Foundation (APSF) et de la Foundation for Anesthesia Education and Research (FAER).

Maxime Cannesson, MD, PhD, est consultant pour les sociétés Masimo et Edwards Lifesciences, il bénéficie d’une aide à la recherche de la part de Masimo et Edwards Lifesciences, il est actionnaire de Sironis et de Perceptive Medical et il perçoit des droits d’auteur de Edwards Lifesciences.

---

Documents de référence

1. Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters. J Am Med Inform Assoc. 2018;25:370–379. PMID: 29040634.
2. Macrae C. Governing the safety of artificial intelligence in healthcare. BMJ Qual Saf. 2019;28:495–498. PMID: 30979783.
3. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR Med Inform. 2020;8:e18599. PMID: 32706688.
4. Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital. J Am Med Inform Assoc. 2019;26:553–560. PMID: 30903660.
5. Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA. 2019;321:31–32. PMID: 30535130
6. World Health Organization. Patient Safety. Sept 13, 2019. Accessed November 8, 2022. https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
7. Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018;268:70–76. PMID: 29389679.
8. Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning? A primer for the epidemiologist. Am J Epidemiol. 2019; 188: 2222–2239. PMID: 31509183.
9. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129:675–688. PMID: 30074930.
10. Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach. Anesthesiology. 2018;128:492–501. PMID: 28953500.
11. Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129:649–662. PMID: 29664888.
12. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15]. Anesth Analg. 2022 Dec 1;135:1162–1171. PMID: 35841317.
13. Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems. J Clin Monit Comput. 2017;31:885–894. PMID: 27530457.
14. Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost. Health Aff (Millwood). 2008;27:759–769. PMID: 18474969.
15. Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med. 2014;12:573–576. PMID: 25384822.
16. Nundy S, Cooper LA, Mate KS. The quintuple aim for health care improvement: a new imperative to advance health equity. JAMA. 2022;327:521–522. PMID: 35061006.
17. Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine. Anesth Analg. 2020;130:1234–1243. PMID: 32287130.
18. Diallo MS, Tan JM, Heitmiller ES, Vetter TR. Achieving greater health equity: an opportunity for anesthesiology. Anesth Analg. 2022;134:1175–1184. PMID: 35110516.
19. Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 310 (20). PMID: 33256715.
20. Parikh RB, Teeple S, Navathe AS. Addressing bias in artificial intelligence in health care. JAMA. 2019; 322:2377–2378. PMID: 31755905.