Des caméras portables permettent à l'IA de détecter les erreurs de médication

Une équipe de chercheurs affirme avoir mis au point le premier système de caméra portable qui, avec l'aide de l'intelligence artificielle, détecte les erreurs potentielles dans l'administration des médicaments.

Lors d'un test dont les résultats ont été publiés aujourd'hui, le système vidéo a reconnu et identifié, avec une grande efficacité, les médicaments qui étaient en train d'être prélevés dans des environnements cliniques très chargés. L'IA a atteint une sensibilité de 99,6 % et une spécificité de 98,8 % dans la détection des erreurs d'échange de flacons.

Ces résultats ont été publiés le 22 octobre dans la revue npj Digital Medicine.

Le système de caméra alimenté par l'IA a été mis au point et testé à l'université de Washington. Il pourrait devenir une protection essentielle, en particulier dans les salles d'opération, les unités de soins intensifs et les services de médecine d'urgence, a déclaré le Dr Kelly Michaelsen, coauteur principal de l'étude et professeur adjoint d'anesthésiologie et de médecine de la douleur à la faculté de médecine de l'université de Washington.

« L'idée de pouvoir aider les patients en temps réel ou de prévenir une erreur de médication avant qu'elle ne se produise est très puissante », a-t-elle déclaré. « On peut espérer une performance de 100 %, mais même les humains n'y parviennent pas. Dans une enquête menée auprès de plus de 100 anesthésistes, la majorité d'entre eux souhaitaient que le système soit précis à plus de 95 %, ce qui est un objectif que nous avons atteint. »

Les erreurs d'administration de médicaments sont les incidents critiques les plus fréquemment signalés en anesthésie et la cause la plus fréquente d'erreurs médicales graves en soins intensifs. D'une manière générale, on estime que 5 à 10 % de tous les médicaments administrés sont associés à des erreurs. On estime que les événements indésirables associés aux médicaments injectables affectent chaque année 1,2 million de patients, pour un coût de 5,1 milliards de dollars.

Les erreurs d'échange de seringues et de flacons se produisent le plus souvent lors d'injections intraveineuses au cours desquelles le clinicien doit transférer le médicament du flacon à la seringue au patient. Environ 20 % des erreurs sont des erreurs de substitution dans lesquelles le mauvais flacon est sélectionné ou la seringue est mal étiquetée. Un autre 20 % d'erreurs se produit lorsque le médicament est correctement étiqueté mais administré par erreur.

Des mesures de sécurité, telles qu'un système de code-barres qui lit et confirme rapidement le contenu d'un flacon, sont en place pour éviter de tels accidents. Mais les praticiens peuvent parfois oublier cette vérification dans des situations très stressantes parce qu'il s'agit d'une étape supplémentaire dans leur flux de travail.

L'objectif des chercheurs était de construire un modèle d'apprentissage profond qui, associé à une caméra GoPro, soit suffisamment sophistiqué pour reconnaître le contenu de flacons et de seringues cylindriques et pour émettre un avertissement approprié avant que le médicament n'entre dans le corps du patient.

La formation du modèle a pris des mois. Les chercheurs ont recueilli des vidéos 4K de 418 prélèvements de médicaments effectués par 13 anesthésistes dans des salles d'opération où la configuration et l'éclairage variaient. La vidéo montrait des cliniciens manipulant des flacons et des seringues de certains médicaments. Ces séquences vidéo ont ensuite été enregistrées et le contenu des seringues et des flacons a été indiqué afin d'entraîner le modèle à reconnaître le contenu et les contenants.

Le système vidéo ne lit pas directement le texte figurant sur chaque flacon, mais recherche d'autres indices visuels : taille et forme du flacon et de la seringue, couleur du bouchon du flacon, taille de l'étiquette imprimée.

« C'était particulièrement difficile, car la personne dans la salle d'opération tient une seringue et un flacon, et vous ne voyez pas complètement l'un ou l'autre de ces objets. Certaines lettres (sur la seringue et le flacon) sont couvertes par les mains. Et les mains bougent rapidement. Elles font leur travail. Elles ne posent pas pour la caméra », explique Shyam Gollakota, coauteur de l'article et professeur à la Paul G. Allen School of Computer Science & Engineering de l'université de Washington.

En outre, le modèle informatique a dû être entraîné à se concentrer sur les médicaments au premier plan du cadre et à ignorer les flacons et les seringues à l'arrière-plan.

« L'IA fait tout cela : elle détecte la seringue spécifique que le prestataire de soins de santé prend et ne détecte pas une seringue posée sur la table », a déclaré Shyam Gollakota.

Ces travaux montrent que l'IA et l'apprentissage profond ont le potentiel d'améliorer la sécurité et l'efficacité dans un certain nombre de pratiques de soins de santé. Les chercheurs commencent à peine à explorer ce potentiel, assure Kelly Michaelsen.

Des chercheurs de l'université Carnegie Mellon et de l'université Makerere en Ouganda ont également participé à l'étude. Le Toyota Research Institute a construit et testé le système.

La Washington Research Foundation, la Foundation for Anesthesia Education and Research et une subvention des National Institutes of Health (K08GM153069) ont financé les travaux.

Les auteurs ont déclaré leurs conflits d'intérêts potentiels dans leur article, qui sera disponible sur demande.

Accédez à des fichiers vidéo téléchargeables montrant comment l'IA reconnaît les erreurs d'échange de flacons et les transferts de médicaments appropriés en temps réel

https://newsroom.uw.edu/news-releases/wearable-cameras-allow-ai-to-detect-medication-errors