À l’ère de l’adoption quasi-systématique des dossiers médicaux électroniques (DME) et de la fusion des données de santé entre les services et les établissements, une reconnaissance croissante de la variation des pratiques a émergé. Les soins peropératoires ne font pas exception, des études récentes montrant une variation des pratiques à l’échelle des établissements, comme par exemple les techniques d’anesthésie employées,1 les médicaments administrés2,3 et les modèles de dotation en effectifs des blocs opératoires utilisés.4 Dans certains cas, la variation de pratique est justifiée, comme l’expliquent des facteurs tels que la formation en sous-spécialités, les contraintes liées aux ressources médicales locales et les attentes éclairées des patients. Pourtant, dans d’autres cas, la variation est inexpliquée ou injustifiée et peut-être imputable à une absence d’analyses comparatives de la pratique, d’une imputation sous-optimale des ressources hospitalières ou d’un manque de soins de précision adaptés aux besoins individuels du patient.5,6
Dans certains cas, une telle variation de pratiques peut être associée à des résultats plus défavorables, y compris les modèles des pratiques sur la base du ratio d’effectif,4 le respect des pratiques en matière de sécurité au niveau de l’établissement7 et le taux de l’échec de sauvetage.8
Afin de résoudre les variations inexpliquées ou injustifiées, l’amélioration de la qualité (AQ) moderne et des projets d’étude recherchent de plus en plus des approches multicentriques de systèmes de santé apprenants. Elles permettent d’intégrer des données comparatives d’efficacité tirées de la variation de pratiques d’un centre à un autre, et de développer des analyses comparatives des performances et des mesures de la qualité.9,10 Une fois que les infrastructures stratégiques multicentriques sont en place, des analyses comparatives et ces mesures de la qualité peuvent être diffusées aux établissements participants. Cela permet de reproduire l’évolution des bonnes pratiques, d’améliorer la sécurité des patients et de valoriser les soins de santé.11,12 Une infrastructure de système de santé apprenant est le Groupe multicentrique sur les résultats périopératoires (Multicenter Perioperative Outcomes Group, MPOG), que nous couvrons dans cet article pour illustrer (i) les approches nécessaires pour intégrer les DME périopératoires dans le cadre de la recherche et de l’amélioration de la qualité (AQ) ; (ii) les outils Big Data qui peuvent être utilisés pour maîtriser efficacement de gros volumes de données médicales périopératoires amassées ; et (iii) la proposition à valeur ajoutée de création de résultats de recherche et de mesure de la qualité avec un partage communautaire, favorisant l’avancée des soins périopératoires et de la sécurité des patients. Enfin, avec l’essor des approches à base d’intelligence artificielle et d’apprentissage automatique offrant de nouvelles opportunités d’amélioration de la collecte des données médicales et des processus décisionnels cliniques, nous décrivons les principaux défis pour réussir une mise en œuvre durable des méthodes et des approches basées sur l’intelligence artificielle/l’apprentissage automatique pour relever ces défis.
PRINCIPES D’UN SYSTÈME DE SANTÉ APPRENANT GUIDÉ PAR LES DONNÉS PÉRIOPÉRATOIRES : LE MULTICENTER PERIOPERATIVE OUTCOMES GROUP (MPOG)
Les données des DME sont extrêmement variables d’un établissement à l’autre
Un système de santé apprenant (Learning Health System, LHS) a été défini comme un système « dans lequel la génération des connaissances est tellement intégrée au cœur de la pratique de la médecine que c’est la suite naturelle et le produit de la prestation de soins, menant à l’amélioration continue des soins ».13 Le MPOG aspire à être un système de santé apprenant qui cible les soins périopératoires et se donne pour mission l’amélioration continue des normes en AQ, recherche et sécurité des patients (Figure 1). Le MPOG a été lancé en 2008 par plusieurs centres universitaires intéressés par l’utilisation de systèmes de dossiers électroniques d’anesthésie mis en place récemment, pour les analyses observationnelles multicentriques. Toutefois, très rapidement il est devenu évident que ce même ensemble de données, avec une gouvernance et une collaboration appropriées, pouvait devenir la base d’un système de santé apprenant, où les données MPOG génèrent des connaissances. Ces connaissances entraînent des changements de pratiques, qui à leur tour permettent la création de nouvelles données. Grâce à l’effet d’entraînement de cette approche, près de 100 hôpitaux participent désormais au groupe MPOG. À son tour, le MPOG a développé des outils afin d’extraire, intégrer, nettoyer et analyser ces données pour diverses utilisations en matière de recherche, AQ et éducation. L’ensemble de données minimum transmis par chaque établissement comprend des données physiologiques et médicamenteuses, des notes en format texte, des informations sur les effectifs, les évènements clés et des données sur l’apport et la production de fluides pendant la période périopératoire. Ces marqueurs sont tous dérivés automatiquement des données cartographiées par les établissements dans les dossiers médicaux d’anesthésie et sont largement agnostiques quant au fournisseur spécifique des DME utilisés dans chaque établissement. En outre, les antécédents préopératoires et les données physiques, les résultats de laboratoire et les données administratives telles que les codes basés sur la Terminologie procédurale actuelle (Current Procedural Terminology, CPT), les diagnostics de sortie et les données sur la mortalité hospitalière sont inclus.

Figure 1 : Piliers de la recherche et de l’amélioration de la qualité du Groupe multicentrique sur les résultats périopératoires (Multicenter Perioperative Outcomes Group, MPOG)
Les données des DME sont extrêmement variables d’un établissement à l’autre. Par conséquent, un élément fondamental du MPOG est la méthodologie de conversion des données des DME des différents sites participants en phénotypes précalculés et validés, utilisables pour la recherche et l’AQ.14 Ce processus rigoureux nécessite l’application d’algorithmes pour intégrer les associations de tous les types de données au sein du MPOG, afin de générer des conclusions cliniques plus fiables. Ces conclusions servent de composantes qui permettent aux chercheurs de réaliser des analyses et aux leaders de l’AQ et aux médecins de comprendre la variation des modèles de soins. Des exemples de phénotypes qui sont des éléments essentiels de la recherche et l’AQ du MPOG comprennent la technique d’anesthésie, le statut physique de l’American Society of Anesthesiologists et le statut tabagique des patients. Dans chacun de ces cas, il existe des milliers de modes de documentation de ces données selon les sites et les algorithmes logiciels développés par le MPOG convertissent les données en phénotypes interopérables.
LES OUTILS DU MPOG POUR TRANSFORMER LES DONNÉES PÉRIOPÉRATOIRES DES DME EN CONNAISSANCES ET EN ACTIONS POUR AMÉLIORER LA SÉCURITÉ DES PATIENTS
Le MPOG a développé des programmes et des outils pour analyser le « Big Data »
Le MPOG a développé des programmes et des outils pour analyser le « Big Data » et permettre des conclusions pour des AQ nuancées et utiles et des projets de recherche visant à améliorer la sécurité pour les patients.
La mission de l’AQ du MPOG est gouvernée par son Comité de la qualité, composé d’anesthésistes spécialisés en AQ pour chaque site participant. Ce comité approuve et entretient les mesures de qualité qui reflètent les meilleurs éléments de preuve disponibles par un plan établi, pour revisiter les mesures de l’AQ à intervalles réguliers. Cela permet d’intégrer les connaissances en expansion et en évolution constantes du domaine. Les idées de nouvelles initiatives d’AQ sont générées par ce comité ainsi que des sous-comités de sous-spécialités, ciblant l’anesthésie pédiatrique, obstétrique, gériatrique et cardiaque, chacun composé de spécialistes en qualité et d’experts dans leur domaine des établissements participants. Ces comités favorisent des discussions ouvertes, la collaboration et le partage des bonnes pratiques et des enseignements.
Afin de permettre aux membres de mettre le changement en pratique dans leurs établissements, le MPOG a développé une série de programmes à partir des phénotypes calculés de base. Ces programmes intègrent le développement des mesures d’AQ, le retour d’information au niveau de la pratique, le retour d’information personnalisé aux médecins, les outils de l’AQ et des réunions collaboratives sur la qualité, comme indiqué au Tableau 1. Pour des conseils complémentaires décrivant toutes les mesures de l’AQ, consulter le site suivant : https://spec.mpog.org/Measures/Public. Les performances individuelles des médecins peuvent être suivies et le retour d’information peut être fourni aux personnes concernées (Figure 2).
Tableau 1 : Programmes d’amélioration de la qualité au sein du Groupe multicentrique sur les résultats périopératoires (Multicenter Perioperative Outcomes Group, MPOG)

Figure 2 : Retour d’information personnalisé aux médecins sur la qualité periopératoire : Courriels de performance personnalisés.
Pour compléter sa mission en matière d’AQ, la mission de recherche du MPOG est gouvernée par son Comité de recherche. Celui-ci coordonne les efforts de recherche cliniques du MPOG en évaluant les propositions reçues et en suivant l’avancement des projets en cours. Ce comité, composé des principaux enquêteurs du MPOG de chaque site participant, évalue toutes les propositions de recherche du MPOG. Il fournit des recommandations essentielles sur les hypothèses et la méthodologie et s’assure de la pertinence scientifique de la recherche clinique qui utilise les données du MPOG avant l’approbation d’un projet. Afin de permettre une recherche significative avec les données du MPOG, le groupe a élaboré plusieurs programmes et outils pour exploiter le Registre. Ces programmes intègrent des réunions régulières du comité de recherche et une Retraite annuelle du MPOG, ainsi que des outils logiciels (par ex. DataDirect®, Ann Arbor, Michigan) pour développer des cohortes et rationaliser les questions d’étude.
AMÉLIORATION DES PERFORMANCES DANS L’ÉTAT DU MICHIGAN
Dans l’État du Michigan, le MPOG fait partie d’un programme d’AQ financé par Blue Cross Blue Shield of Michigan, qui fonctionne comme un système de santé apprenant.17 Ce programme finance des groupes d’AQ dans diverses spécialités et pour différents problèmes de santé.18 Grâce aux mécanismes décrits ci-dessus, les évaluations sans insu des performances, les réunions collaboratives multidisciplinaires et les programmes financiers fondés sur les payeurs entraînent des améliorations conséquentes des soins. Elles sont illustrées par les améliorations dans des domaines importants de l’anesthésie, tels que la gestion de la glycémie et de la température, ainsi que des soins plus rentables pour les hôpitaux participant à ce programme (Tableau 2).19
Tableau 2 : Exemples de l’impact de l’amélioration de la qualité du Groupe multicentrique sur les résultats périopératoires (Multicenter Perioperative Outcomes Group, MPOG)
PROGRAMME DE RECHERCHE : ÉVALUATION MULTICENTRIQUE DE LA VARIATION DE PRATIQUE ET DES STRUCTURES DE SOINS PÉRIOPÉRATOIRES
Étant donnée l’ampleur de la variation des pratiques périopératoires entre les médecins et les sites, d’importantes conclusions de la recherche du MPOG ont inclus des études qui quantifient le degré d’explication des modèles de pratique par un médecin ou un établissement, plutôt que le patient ou la chirurgie. Une telle variation de pratiques, potentiellement indicative de la formation du médecin, des préférences individuelles de pratiques ou des structures au niveau de l’établissement des soins cliniques et des infrastructures, a été exploitée afin d’étudier l’impact sur les résultats des patients. Dans certains cas, une variation de pratique (y compris les ratio d’effectifs professionnels, le respect des pratiques en matière de sécurité au niveau de l’établissement7 et le taux de l’échec de sauvetage8) est associée à des résultats plus défavorables. Alors que dans d’autres cas, il existe un manque d’association avec les résultats défavorables, y compris le chevauchement des chirurgies par un chirurgien participant20 ou des chirurgies dans lesquelles le chirurgien a opéré la journée et la nuit précédente.21
OPPORTUNITÉS ET DÉFIS INTRODUITS PAR L’INTELLIGENCE ARTIFICIELLE ET L’APPRENTISSAGE AUTOMATIQUE DANS LES SOINS PÉRIOPÉRATOIRES
L’adoption sûre de méthodes fondées sur l’intelligence artificielle présente des défis
Le développement d’outils Big Data pour le traitement des données des dossiers médicaux électroniques (DME) pour réaliser des études multicentriques et l’AQ est associé à des opportunités d’application des méthodes qui utilisent l’intelligence artificielle et l’apprentissage automatique. Ces méthodes visent à améliorer la qualité des données, à développer les mesures d’AQ et à améliorer les soins cliniques grâce au développement des algorithmes prédictifs. Étant données la complexité et la précision des données des DME périopératoires, les méthodes fondées sur l’intelligence artificielle/l’apprentissage automatique, capables de gérer un grand nombre d’interactions non linéaires complexes de variables multiples, offrent parfois des avantages significatifs par rapport aux approches statistiques classiques. Pourtant, l’adoption sûre de méthodes fondées sur l’intelligence artificielle/l’apprentissage automatique dans les systèmes de santé apprenants périopératoires présente des défis. Il s’agit notamment des éléments suivants : (i) de grandes variations dans les connaissances des médecins disponibles en termes de forces et de faiblesses ; (ii) d’un besoin de surveillance et de gouvernance des algorithmes cliniques ; (iii) du besoin de veiller à la fidélité des données sources sur lesquelles sont entraînés les algorithmes d’intelligence artificielle/d’apprentissage automatique ; et (iv) une approche systématique pour reconnaître et résoudre les biais éventuellement propagés dans les systèmes de soutien des décisions cliniques fondés sur l’intelligence artificielle/l’apprentissage automatique (Figure 3).

Figure 3 : Considération pour l’adoption sûre de l’intelligence artificielle (IA) et de l’apprentissage automatique (AA) dans les soins périopératoires.
En ce qui concerne les connaissances des médecins, la formation à l’intelligence artificielle/l’apprentissage automatique est en cours d’intégration dans le programme de médecine et dans la formation médicale continue.22 En ce qui concerne la gouvernance et la surveillance des algorithmes, les efforts en matière d’amélioration de la qualité et de la sécurité des patients proposent des cadres permettant aux comités de surveiller les modèles d’intelligence artificielle/d’apprentissage automatique déployés dans un système de santé.23 En matière de fidélité des données, il est proposé des approches pour diagnostiquer et remédier aux changements dans la qualité des données des DME (« changement de distribution des données »).24 Elles se concentrent sur le maintien de la communication en boucle fermée entre les médecins de première ligne et les comités de gouvernance des algorithmes. Cela peut permettre d’améliorer la sécurité des patients en favorisant la sensibilisation aux contre-performances des modèles, renseignant ainsi les médecins sur les contextes cliniques pour lesquels il est possible de se reposer sur le modèle de prédiction et ceux qu’il faut écarter. Enfin, étant donné que demeurent encore des biais algorithmiques, les possibilités de remédier aux écarts de performances des modèles dans divers sous-groupes cliniques, (en particulier lorsque le fondement est la race, l’origine ethnique et le sexe25) comprennent l’examen explicite des performances des modèles d’intelligence artificielle/apprentissage automatique dans ces sous-groupes.
CONCLUSION
La situation est riche en possibilités de regrouper les données des DME postopératoires des patients, médecins, établissements et régions, afin de réaliser une recherche d’efficacité comparative et d’améliorer la qualité et la sécurité des anesthésies. Les systèmes de santé apprenants periopératoires équipés d’outils Big Data, avec une exploitation appropriée des méthodes innovantes basées sur l’intelligence artificielle/l’apprentissage automatique, procurent aux communautés de médecins une plateforme de partage des données, d’échange d’idées et de diffusion des bonnes pratiques en évolution constante au sein d’un système de santé apprenant.
Michael R. Mathis est professeur associé d’anesthésiologie et membre affilié de la faculté dans le département de bioinformatique statistique à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Robert B. Schonberger est professeur associé et vice-président des affaires universitaires en anesthésiologie à la Yale School of Medicine, New Haven, Connecticut.
Anthony L. Edelman, est professeur assistant d’anesthésiologie et président adjoint d’anesthésiologie pour adultes à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Allison M. Janda, MD, est professeure assistante d’anesthésiologie à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Douglas A. Colquhoun, MB ChB, MSc, MPH, est professeur assistant d’anesthésiologie à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Michael L. Burns, MD, est professeur assistant d’anesthésiologie à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Nirav J. Shah est professeur associé d’anesthésiologie à Michigan Medicine, Université du Michigan, Ann Arbor, Michigan.
Michael Mathis, MD, a reçu des bourses d’étude des National Institutes of Health (NHLBI, NIDDK, AHRQ) des États-Unis et un soutien à la recherche versé à l’Université du Michigan par Chiesi, USA, sans lien avec les travaux concernés par le présent article. Robert Schoenberger, MD, MCDHS, signale qu’il détient des actions Johnson and Johnson, sans lien avec les travaux concernés par le présent article. Anthony Edelman, MD, a reçu une subvention (versée à l’Université du Michigan) par les National Institutes of Health (AHRQ) des États-Unis, sans lien avec les travaux concernés par le présent article. Allison Janda, MD, a reçu des bourses d’étude des National Institutes of Health (NHLBI) des États-Unis et du Patient Centered Outcomes Research Institute, sans lien avec les travaux concernés par le présent article. Douglas Colquhoun, MB ChB, MSc, MPH, a reçu une bourse d’étude des National Institutes of Health (NHLBI) des États-Unis et un soutien à la recherche versé à l’Université du Michigan par Merck & Co et Chiesi, USA, sans lien avec les travaux concernés par le présent article. Michael Burns, MD, a reçu une bourse d’étude de Blue Cross Blue Shield of Michigan (BCBSM) et du Patient-Centered Outcomes Research Institute, sans lien avec les travaux concernés par le présent article ; il est également le co-fondateur de Decimal Code, Inc., sans lien avec les travaux concernés par le présent article. Nirav Shah, MD, a reçu une subvention (versée à l’Université du Michigan) par les National Institutes of Health (NLM, NIA) des États-Unis, le Patient Centered Outcomes Research Institute, Blue Cross Blue Shield Michigan, Edwards Lifesciences et Apple, Inc., sans lien avec les travaux concernés par le présent article. Aucun autre lien ni aucune autre activité ne semblerait avoir influencé les travaux présentés.
Tous les travaux et subventions partielles sont attribués au département d’anesthésiologie, Michigan Medicine, Université du Michigan (Ann Arbor, Michigan, États-Unis). Le projet décrit a été pris en charge par les National Institutes of Health (NIDDK R01DK133226, NHLBI R01HL167790, NIA R01AG059607, NHLBI K08HL159327, NHLBI K23HL166685, Bethesda, MD) des États-Unis. D’autre part, une subvention partielle de la collecte sous-jacente des données médicales électroniques dans le registre du Multicenter Perioperative Outcomes Group a été versée par Blue Cross Blue Shield of Michigan/Blue Care Network dans le cadre des programmes de partenariats à valeur ajoutée de Blue Cross Blue Shield of Michigan/Blue Care Network. Bien que Blue Cross Blue Shield of Michigan/Blue Care Network et Multicenter Perioperative Outcomes Group collaborent, les opinions, les convictions et les points de vue exprimés par les auteurs ne reflètent pas nécessairement les opinions, les convictions et les points de vue de Blue Cross Blue Shield of Michigan/Blue Care Network ou de leurs employés. D’autre part, les opinions, les convictions et les points de vue exprimés par les auteurs ne reflètent pas nécessairement les opinions, les convictions et les points de vue des National Institutes of Health ou de leurs employés. Aucun contributeur du secteur n’a joué de rôle dans l’étude.
DOCUMENTS DE RÉFÉRENCE
- Roberts DJ, Mor R, Rosen MN, et al. Hospital-, anesthesiologist-, surgeon-, and patient-level variations in neuraxial anesthesia use for lower limb revascularization surgery: a population-based cross-sectional study. Anesth Analg. 2022;135:1282–1292. PMID: 36219577.
- Janda AM, Spence J, Dubovoy T, et al. Multicentre analysis of practice patterns regarding benzodiazepine use in cardiac surgery. Br J Anaesth. 2022;128:772–784. PMID: 35101244.
- Mathis MR, Janda AM, Kheterpal S, et al. Patient-, clinician-, and institution-level variation in inotrope use for cardiac surgery: a multicenter observational analysis. Anesthesiology. 2023;139:122–141. PMID: 37094103.
- Burns ML, Saager L, Cassidy RB, et al. Association of anesthesiologist staffing ratio with surgical patient morbidity and mortality. JAMA Surg. 2022;157:807–815. PMID: 35857304.
- Sutherland K, Levesque JF. Unwarranted clinical variation in health care: definitions and proposal of an analytic framework. J Eval Clin Pract. 2020;26:687–696. PMID: 31136047.
- Sessler DI. Implications of practice variability. Anesthesiology. 2020;132:606–608. PMID: 32053562.
- Brooke BS, Dominici F, Pronovost PJ, et al. Variations in surgical outcomes associated with hospital compliance with safety practices. Surgery. 2012;151:651–659. PMID: 22261296.
- Portuondo JI, Farjah F, Massarweh NN. Association between hospital perioperative quality and long-term survival after noncardiac surgery. JAMA Surg. 2022;157:258–268. PMID: 35044437.
- Casey JD, Courtright KR, Rice TW, Semler MW. What can a learning healthcare system teach us about improving outcomes? Curr Opin Crit Care. 2021;27:527–536. PMID: 34232148.
- Foley T, Vale L. A framework for understanding, designing, developing and evaluating learning health systems. Learn Health Syst. 2023;7:e10315. PMID: 36654802.
- Sheetz KH, Englesbe MJ. Expanding the quality collaborative model as a blueprint for higher-value care. JAMA Health Forum. 2020;1:e200413-e200413. PMID: 36218502.
- Smith M, Saunders R, Stuckhardt L, McGinnis JM. Committee on the Learning Health Care System in America; Institute of Medicine. Best care at lower cost: the path to continuously learning health care in America. National Academies Press (US); 2013 May 10. PMID: 24901184.
- Olsen L, Aisner D, Mcginnis JM, eds. The Learning Healthcare System: Workshop Summary. National Academies Press; 2007. PMID: 21452449.
- Colquhoun DA, Shanks AM, Kapeles SR, et al. Considerations for integration of perioperative electronic health records across institutions for research and quality improvement: the approach taken by the Multicenter Perioperative Outcomes Group. Anesth Analg. 2020;130:1133–1146. PMID: 32287121.
- MPOG Measure Specs—Measure List. https://spec.mpog.org/Measures/Public. Accessed February 16, 2024.
- Toolkits. MPOG. Published July 24, 2019. https://mpog.org/toolkits/. Accessed February 16, 2024.
- Howard R, Grant J, Leyden T, Englesbe M. Improving the quality of health care through 25 years of statewide collaboration in Michigan. NEJM Catalyst. 3:CAT.22.0153. doi: 10.1056/CAT.22.0153.
- Collaborative quality initiatives—value partnerships.com — blue cross blue shield of Michigan. https://www.valuepartnerships.com/programs/collaborative-quality-initiatives/. Accessed February 16, 2024.
- Janda AM, Vaughn MT, Colquhoun DA, et al. Does anesthesia quality improvement participation lead to incremental savings in a surgical quality collaborative population? A retrospective observational study. Anesth Analg. 2023;137:1093–1103. PMID: 37678254.
- Sun E, Mello MM, Rishel CA, et al. Association of overlapping surgery with perioperative outcomes. JAMA. 2019;321:762–772. PMID: 30806696.
- Sun EC, Mello MM, Vaughn MT, et al. Assessment of perioperative outcomes among surgeons who operated the night before. JAMA Intern Med. 2022;182:720–728. PMID: 35604661.
- Howell MD, Corrado GS, DeSalvo KB. Three epochs of artificial intelligence in health care. JAMA. 2024;331:242–244. PMID: 38227029.
- Reddy S, Allan S, Coghlan S, Cooper P. A governance model for the application of AI in health care. J Am Med Inform Assoc. 2020;27:491–497. PMID: 31682262.
- Finlayson SG, Subbaswamy A, Singh K, et al. The clinician and dataset shift in artificial intelligence. N Engl J Med. 2021;385:283–286. PMID: 34260843.
- Chin MH, Afsar-Manesh N, Bierman AS, et al. Guiding principles to address the impact of algorithm bias on racial and ethnic disparities in health and health care. JAMA Netw Open. 2023;6:e2345050. PMID: 38100101.