Le diable est dans les données

L'examen de l'apprentissage automatique de millions de visites de patients révèle de nombreux cas d'automutilation non détectés

Lorsqu'il s'agit de donner un sens aux mégadonnées, il est parfois difficile de voir la forêt pour les arbres.

Mais Christophe Lambert, PhD, et ses collègues du Center for Global Health de l'UNM ont récemment utilisé une méthode d'apprentissage automatique pour détecter un schéma inquiétant caché dans des millions de dossiers de facturation d'assurance médicale.

Dans un article publié le mois dernier dans le Journal de l'American Medical Informatics Association, l'équipe a rapporté avoir découvert que les cas d'automutilation chez les personnes atteintes de maladie mentale grave cherchant des soins médicaux pourraient en fait être jusqu'à 19 fois plus élevés que ce qui est rapporté dans les dossiers de facturation.

Les résultats suggèrent que les médecins et les autres prestataires de soins attribuent souvent des codes de facturation normalisés pour les soins qu'ils dispensent, ce qui masque la possibilité que la blessure d'un patient soit réellement due à l'automutilation plutôt qu'à un accident.

La découverte suggère que cela pourrait avoir une incidence sur les soins aux patients.

« Des études à venir suggèrent qu'une personne court plus de trois fois le risque d'automutilation si elle l'a déjà fait une fois », explique Lambert, professeur agrégé au Département de médecine interne. Ainsi, en cherchant à prévenir d'autres automutilations ou suicides, "Si vous ne le codez pas, cela signifie que le traitement futur du patient peut être compromis par l'absence de cette information importante dans son histoire", dit-il.

Lambert et son équipe ont commencé leur étude avec une base de données anonymisée contenant les dossiers de facturation médicale de plus de 130 millions d'Américains de 2003 à 2016. Ils ont réduit leur recherche à un sous-ensemble d'environ 10 millions de patients diagnostiqués d'une maladie mentale majeure, y compris un trouble dépressif majeur. , trouble bipolaire, schizophrénie et trouble schizo-affectif - les personnes qui sont déjà considérées comme présentant un risque plus élevé d'automutilation.

L'apprentissage automatique, dans lequel un ordinateur applique un algorithme pour analyser rapidement un grand ensemble de données, peut identifier des modèles qui ne sont pas facilement apparents pour les humains. Dans ce cas, les chercheurs ont fourni à l'ordinateur 185,000 XNUMX variables à appliquer aux visites d'hospitalisation et aux urgences de chaque patient.

"Nous avons en fait jeté dans l'évier de la cuisine", dit Lambert. "C'était essentiellement tout ce qui s'est passé lors de ces visites - y compris tous les codes de procédure et de diagnostic." Parmi les conclusions qui ont émergé, il y avait que les cas d'automutilation probable étaient considérablement sous-déclarés.

Il y avait également des écarts inattendus entre les cas évalués comme des cas d'automutilation et ceux qui ne l'étaient pas.

Les personnes traitées pour intoxication et empoisonnement, accidents, asphyxie, réparation chirurgicale thoracique et crânienne, blessure au poignet, pensées autodestructrices, dépression et psychothérapie étaient plus susceptibles d'être codées pour automutilation que celles présentant un trouble lié à l'utilisation de substances, une intoxication à l'héroïne , troubles neurologiques, accidents de la route ou chutes.

Cela suggère qu'une partie de l'écart peut être due à ce que les fournisseurs de motivation attribuent à un comportement particulier, dit Lambert.

"Nous voyons en moyenne quand quelqu'un se blesse à cause d'une surdose d'opioïdes ou de drogues qui ont des effets agréables - ils sont moins susceptibles de le coder comme autodestructeur", explique Lambert. Mais une évaluation de l'automutilation est plus probable lorsqu'une personne a fait une overdose d'aspirine ou de somnifères, vraisemblablement avec l'intention de s'automutiler.

"Les hommes sont également plus susceptibles que les femmes d'être sous-codés pour s'automutiler", a ajouté Lambert, "et les stéréotypes selon lesquels les hommes sont moins susceptibles de divulguer ou d'obtenir de l'aide que les femmes ont été contredits par les données - il semble probable qu'il s'agisse d'un biais dans le codage des prestataires en fonction du sexe de leurs patients. »

Lorsque l'automutilation sous-codée a été révélée, des estimations détaillées de son risque en fonction de l'âge, du diagnostic de maladie mentale, du sexe et de l'état des États-Unis ont émergé. Le risque maximal d'automutilation est de 15 ans pour les femmes et de 17 ans pour les hommes, avec une baisse après le milieu de la vingtaine.

Les taux d'automutilation n'ont cessé d'augmenter à l'échelle nationale depuis 2006, et les personnes ayant plus d'un diagnostic de maladie mentale majeure ont 18 à 25 % de chances par an de se faire du mal entre 15 et 26 ans, là où le risque est le plus élevé.

L'étude faisait partie d'un ensemble plus vaste de recherches que Lambert a menées avec un prix de 2.4 millions de dollars du Patient-Centered Outcomes Research Institute pour comparer l'efficacité de divers traitements du trouble bipolaire, en particulier en ce qui concerne les cas d'automutilation, d'hospitalisation et de risque d'effets secondaires.

Alors que l'étude s'est concentrée sur la façon dont les soins aux patients sont classés, Lambert pense que la méthode pourrait potentiellement être utilisée dans un cadre prédictif.

« On pourrait utiliser l'apprentissage automatique d'une autre manière, en fonction de votre historique, y compris des cas d'automutilation antérieurement imputés », dit-il. « Êtes-vous dans une catégorie à haut risque à cause de cela et/ou d'autres facteurs où un traitement proactif pourrait aider ? »

Lambert est également optimiste quant au fait que l'analyse de données à grande échelle peut révéler des informations utiles pour éclairer la prise de décision médicale.

« Pouvons-nous apprendre quelque chose de ces ensembles de données ? » il demande. "Le codage est imparfait, les humains sont imparfaits, mais dans l'ensemble, lorsque nous avons de très grands ensembles de données, une grande partie de ce bruit peut être moyenne et nous pouvons obtenir des réponses et des preuves significatives."