Comment Pieces Technologies exploite les services AWS pour prédire les résultats des patients

Que feriez-vous si vous pouviez prévoir l'avenir ?

Grâce aux capacités avancées des outils d'intelligence artificielle (IA) prédictive et de machine learning (ML), il est peut-être possible de prévoir l'avenir, du moins de manière probabiliste.

Pieces Technologies, Inc. (Pieces), une start-up spécialisée dans la santé et les sciences de la vie, fait figure de pionnière dans l'espace de l'IA prédictive/ML. Pieces est une plateforme d'IA basée sur un logiciel en tant que service (SaaS) et intégrée au dossier médical électronique (DME) d'un hôpital. Sa mission est d'améliorer les soins en fournissant des informations cliniques tout au long du parcours du patient. Elle permet de prédire des événements cliniques comme les dates de sortie prévues, les obstacles cliniques et non cliniques à la sortie et le risque de réadmission, avant qu'ils ne se produisent. Pieces fournit également des informations aux professionnels de santé en langage naturel et optimise la clarté générale des problèmes cliniques du patient afin que les équipes de soins puissent travailler plus efficacement.

Ruben Amarasingham a fondé Pieces pour aider les professionnels de santé et les patients à obtenir de meilleurs résultats. Selon lui, « Le travail dans le domaine de la santé est essentiel. Pourtant, les médecins, les infirmières et d'autres personnes quittent la médecine à cause de l'épuisement et de l'impuissance. Nous voyons d'énormes progrès technologiques dans d'autres domaines de notre vie. Pourquoi ne pourrions-nous pas les appliquer à la médecine ? »

Au cours de ses 13 années en tant que médecin hospitalier, Ruben a constaté que « un certain nombre de patients étaient constamment réadmis à l'hôpital. Ils venaient à l'hôpital, recevaient un traitement et revenaient une à trois semaines plus tard. » Sa formation universitaire en informatique biomédicale et son intérêt pour la prévision des événements cliniques ont rendu Ruben sensible à cette tendance et l'a incité à apporter son aide.

« J'ai tout de suite fait le lien entre mon parcours de recherche, ma pratique clinique et ce qui se passait dans les hôpitaux. »

Pour appliquer cette théorie à un cas d'utilisation réel, « nous avons commencé à modéliser mathématiquement, sur la base des caractéristiques des patients, les patients susceptibles d'être réadmis. Nous avons ensuite appliqué les ressources cliniques et non cliniques au patient à risque, y compris les déterminants sociaux. Nous avons constaté que nous pouvions identifier et prévenir une nouvelle hospitalisation avant qu'elle ne se produise. »

La capacité de prédire une nouvelle hospitalisation des patients a conduit Ruben à fonder Pieces en 2016. La portée des services de Pieces pour les professionnels de santé et les patients s'est développée rapidement. Aujourd'hui, « nous examinons tout type d'événement indésirable pour le patient et nous nous demandons si nous sommes en mesure de le prédire à l'avance. Si c'est le cas, nous transmettons à l'avance une information aux personnes sur le terrain de manière à ce qu'elles puissent agir en conséquence. »

Ruben explique qu'Amazon Web Services (AWS) fait partie intégrante du déploiement et de la maintenance de son moteur d'IA à l'échelle. « Nous ne pourrions pas faire ce travail si nous ne disposions pas d'un cloud incroyablement dynamique et mis à l'échelle pour le faire. Nous ne pouvons pas le faire dans nos propres locaux. Il faut que ces systèmes de modélisation apprennent à partir de grands jeux de données et il faut pouvoir manipuler ou modifier les performances de l'IA à grande échelle et entre les clients. »

Après une brève période d'incubation pendant laquelle Pieces a utilisé un environnement sur site, « nous sommes passés à AWS et n'avons jamais regretté ce choix. C'est formidable. Nous sommes incroyablement reconnaissants envers l'environnement AWS. »

Les deux services AWS essentiels que Pieces utilise pour exécuter ses modèles en production et à grande échelle sont Amazon Managed Workflows pour Apache Airflow (Amazon MWAA) et Amazon Elastic Kubernetes Service (Amazon EKS). «Nous utilisons Amazon EKS pour exécuter des instances Kubernetes de Amazon Elastic Compute Cloud (Amazon EC2) et Amazon Relational Database Service (Amazon RDS). », explique Ruben. La capacité à surveiller les sites des clients du système de santé en temps réel est essentielle pour Pieces, qui utilise donc Amazon EC2 et Amazon OpenSearch Service pour journaliser l'analytique afin de surveiller les applications en temps réel.

Ruben est passionné par la création de prédictions IA/ML pertinentes et accessibles. « Nous sommes très enthousiastes à l'idée d'intégrer la génération de langage naturel dans nos logiciels. Cette capacité est le point fort de Pieces en matière d'IA à l'heure actuelle. » Pieces s'appuie sur la génération de langage naturel pour fournir aux professionnels de santé des prédictions en contexte et en langage clair. Le langage naturel permet à ceux-ci d'évaluer plus facilement le jugement de l'IA pour les principaux besoins des patients, tout en mettant de côté les prédictions moins importantes. Il est ainsi plus facile d'agir sur l'information de manière opportune et bénéfique.

« La génération de langage naturel aide les professionnels de santé et les patients en traduisant les informations, à grande échelle, pour mieux les assimiler. Par exemple, un résumé clinique pour un médecin ou des instructions de sortie pour un membre de la famille ayant, disons, un niveau d'éducation de cinquième. »

Dans un avenir proche, nous pouvons nous attendre à ce que Pieces lance un résumé de transfert pour les médecins qui leur permet de transmettre leur patient à un autre médecin si nécessaire. Ce résumé est généré à partir de certaines données cliniques que les solutions AWS permettent à Pieces de collecter. Selon la Commission mixte, la transmission des patients par les médecins est un problème important dans le secteur de la santé, car « environ 80 % des erreurs médicales graves sont dues à une mauvaise communication entre les soignants lors du transfert ou de la transmission des patients ». En automatisant cette tâche, Pieces espère améliorer les résultats pour les patients tout en « apportant la joie de la pratique médicale dans un système qui est extrêmement compliqué », explique Ruben.

Pour les start-ups qui veulent suivre les traces de Pieces, Ruben a ce conseil : « La santé est très réglementée, très précise, et vous devez tester les choses de manière plus rigide qu'une start-up de vente au détail, par exemple. Il n'y a pas de mal à aller plus lentement, et il est important de trouver des investisseurs et des bailleurs de fonds qui comprennent l'environnement des soins de santé et les avantages d'un progrès progressif. »

Le succès en vaut la peine, déclare Ruben, car « Si vous pouvez suivre toutes les étapes, l'impact est profond. Vous faites du bien au monde. »

Ressources connexes :

• AWS Activate : commencez à utiliser AWS
• start-ups dans le domaine de la santé et des sciences de la vie
• Machine Learning pour les start-ups