skunkworks long stayer risk stratification
1.0.0
Un projet pilote pour l'équipe Skunkworks du laboratoire NHS AI (Artificial Intelligence), Long Stayer Risk Stratification utilise des données historiques du Gloucestershire Hospitals NHS Foundation Trust pour prédire combien de temps un patient restera à l'hôpital lors de son admission.
En tant que candidat retenu du programme de recherche de problèmes d'AI Skunkworks, Long Stayer Risk Stratification a été choisi pour la première fois comme projet pilote pour l'équipe d'AI Skunkworks en avril 2021.
Cette preuve de concept (TRL 4) vise à démontrer la validité technique de l'application d'un réseau neuronal convolutif aux dossiers des patients afin de prédire la durée du séjour. Il n'est pas destiné à être déployé dans un environnement clinique ou non clinique sans développement ultérieur et sans conformité aux réglementations britanniques sur les dispositifs médicaux de 2002, dans lesquelles le produit est considéré comme un dispositif médical.
Ce projet a été soumis à une évaluation d'impact sur la protection des données (DPIA), garantissant la protection des données utilisées conformément à la loi britannique sur la protection des données de 2018 et au RGPD britannique. Aucune donnée ni modèle entraîné n'est partagé dans ce référentiel.
Les patients hospitalisés de longue durée, c'est-à-dire ceux dont la durée de séjour (LoS) est de 21 jours ou plus, ont des résultats médicaux et sociaux nettement pires que les autres patients. Les séjours de longue durée sont souvent médicalement optimisés (aptes à leur sortie) plusieurs jours avant leur sortie effective. En outre, il existe un mélange complexe de facteurs médicaux, culturels et socio-économiques qui contribuent aux causes de longs séjours inutiles.
Ce référentiel contient un démonstrateur de validation de principe, développé dans le cadre d'un projet de recherche - une collaboration entre Polygeist, Gloucestershire Hospitals NHS Foundation Trust, NHSX et Accelerated Capability Environment (ACE) du Home Office. Le projet visait à atteindre deux objectifs principaux :
premièrement, déterminer si une approche expérimentale d’intelligence artificielle (IA) pour prédire les séjours de longue durée à l’hôpital était possible ; deuxièmement, si tel est le cas, produire un outil de stratification des risques de preuve de concept (PoC).
L'outil affiche le LTSS pour un dossier patient, entre le niveau 1 et 5 ; 5 étant le risque le plus grave que le patient devienne un patient séjournant pour une longue période. L'outil permet d'explorer divers facteurs et permet à l'utilisateur de modifier ces entrées pour produire des estimations raffinées ou hypothétiques du risque du patient.
L'outil a montré une bonne stratification des risques pour les données réelles, le niveau 1 étant composé de 99 % de séjours de courte durée et de cas mineurs, avec moins de 1 % de séjours de longue durée étant classés comme à très faible risque. De plus, 66 % de tous les séjours de longue durée étaient classés dans les catégories de risque 4 et 5, avec des proportions en augmentation constante au fil des catégories. La catégorie de risque 5 a également stratifié les patients ayant effectué des séjours hospitaliers longs et graves en dessous du seuil de long séjour (séjours graves et prolongés).
Le rapport technique complet (PDF) est disponible pour les membres du NHS. Envoyez votre demande par e-mail à [email protected]
| Documents | Description |
|---|---|
| API REST | Descriptions des points de terminaison de l'API et exemples d'utilisation |
| API de l'application Flask LTSS | Documentation du package pour le package ltss Python et les sous-modules incorporés |
| Instructions de déploiement | Créer et exécuter des instructions pour les déploiements de développement ou de production |
| Présentation de l'interface utilisateur Web | Description des composants de l'interface utilisateur et de la structure de l'application |
| Fichiers de configuration | Présentation des fichiers de configuration fournis |
| Fichiers de configuration de construction de production | Présentation des fichiers de configuration fournis pour les conteneurs Docker de build de production |
| Générer de fausses données | Description de la façon de générer de fausses données pour tester la configuration et le fonctionnement du dépôt |
| Entraînement | Description du processus de formation des modèles utilisés dans l'API LTSS |
Le projet est soutenu par le NHS AI Lab Skunkworks, qui existe au sein du NHS AI Lab pour aider la communauté de la santé et des soins à faire progresser rapidement les idées du stade conceptuel à une preuve de concept.
Apprenez-en davantage sur les Skunkworks du NHS AI Lab. Rejoignez notre hub virtuel pour en savoir plus sur les futures opportunités d'événements de recherche de problèmes. Contactez l'équipe Skunkworks à [email protected].
