Systèmes d’aide à la décision

médicale

L’illusion de la preuve ?

Aurore Armand

Département de médecine d'urgence

Comité d’éthique

Centre Hospitalo-Universitaire d’Angers

auarmand@chu-angers.fr

Réduire le risque d’erreur médicale

A l’échelle individuelle et générale

Proposition basée sur une multiplication de

données intégrées par des systèmes experts

Les preuves

Systèmes d’aide à la décision médicale

« Constats sur la qualité insuffisante des soins »

« Applications informatiques dont le but est de fournir aux cliniciens en temps

et lieux utiles les informations décrivant la situation cliniques d’un patient

ainsi que les connaissances appropriées à cette situation correctement

filtrées et présentées afin d’améliorer la qualité des soins et la santé des

patients »

Intelligence artificielle

«On découvrira un jour une méthode générale dans le cadre de laquelle il

sera possible de réduire toutes les données rationnelles à une sorte de

calcul». Leibniz 1686

1936, Alan Turing décrit une machine totalement abstraite capable

d'exécuter toute opération logique qu'un homme est susceptible

d'envisager et d'exécuter.

L’ordinateur, à partir de masses de données de toutes natures (chiffres,

renseignements d'ordre alphabétique, relations plus ou moins éparses et non

hiérarchisées) classe, trie, compare, répartit, solutionne pas à pas, grâce à des

algorithmes, les problèmes qui lui sont soumis.

Intelligence artificielle

Terme né en 1956 avec les premiers systèmes informatisés

Développement des systèmes experts dans les années 70

Imiter la démarche humaine dans un domaine défini, selon une méthode de raisonnement:

Traiter des problèmes habituellement résolus par l’homme, pour lesquels il n’existe pas de solutions algorithmiques, ou pour lesquels les solutions algorithmiques ne sont pas pratiquement réalisables (temps ou espace)

Face à une connaissance algorithmique impossible à mettre en œuvre : problème d’explosion combinatoire

Évolution vers des systèmes coopératifs:

Connaissance séparée du raisonnement.

Les utilisateurs d’un systèmes veulent des explications sur le raisonnement du système

Systèmes expert • Logiciels qui utilisent un ensemble de connaissances pour

résoudre une tâche difficile, habituellement traitée par un expert humain

• Analyse des besoins

• Caractéristiques des problèmes posés

• Utilisateur du système? Quels sont ses fonctions, ses connaissances et compétences, ses attentes.

Donne un avis d’experts à des non-experts

Aide les experts

Remplace les experts

Enseigne à de « futurs experts »

Systèmes d’aide à la décision médicale

• Améliorer la sécurité, la qualité et l’efficience des

soins

• Face à la complexité croissante des

connaissances médicales

• Sur la bases de recommandations de pratiques

cliniques et de bon usage des soins

• Activités de prévention, de prescription (actes

diagnostiques ou thérapeutiques)

Systèmes expert

INCONVENIENTS

• Pas d’expérience sensorielle

• Pas toujours

d’apprentissage,

d’adaptabilité, de créativité

• Pas de digression

• Pas de « bon sens »

• Interface (langage, question

posée, choix terminologie)

AVANTAGES

• Reproductibilité

• Permanence

• Efficience

• Gain de temps

• Documentation

• Cohérence

• Stabilité

Systèmes expert d’aide à la décision médicale

• Systèmes d’alerte

• Systèmes consultants

• Système d’assistance documentaire

Mireille Cléret et al., « Les systèmes d'aide à la décision médicale ». Les Cahiers du numérique 2001/2 (Vol. 2), p. 125-154.

Systèmes d’alerte

Chaînage AVANT : Aide à la décision au sens de la production d’informations ou d’alertes en fonction des faits

• Déclenchement d’alarme

• Intégration d’informations concernant le patient (âge, fonction rénale, contre indication…)

• Protocoles thérapeutiques

• Question du contournement, « bris de glace »

• Exhaustivité

Base de connaissance

REGLES

Base de faits

Moteur d’inférence Exploite la base de connaissances et les faits pour résoudre le problème spécifié

Est indépendant de la base de connaissances

invocation

MESSAGE

INTEROPERABILITE entre la base de connaissances, la base de faits, et le moteur

Si la base de fait est saturée, aucune règle supplémentaire ne peut se déclencher

Systèmes d’alerte

Systèmes consultants

- Chaînage ARRIERE : Aide à la décision au sens

« quelle information me manque-t-il pour conclure ? »

Lorsque le chaînage avant ne conclut rien du fait des Non Appropriés (valeurs manquantes)

face à ces symptômes, pour porter un diagnostic, demandez tel examen

• Raisonnement sur une situation médicale définie

• Modélisation de la pratique médicale et des modalités de prise de décision

Systèmes consultants

Expert médical ? Fait appel à des connaissances implicites basées sur un savoir-faire et des connaissances

Méthode heuristique : par approches successives en éliminant progressivement les alternatives et en ne conservant qu'une gamme restreinte de solutions tendant vers celle qui est optimale.

Procédure de décision: comparaison des actions possibles et choix de la meilleure.

Capacité de comprendre, décider, en responsabilité

Lutter contre la « segmentation » du patient

• Autonomie : par rapport à l’information

• Qui doit être comprise pour être transmise

• Equité: données environnementales

Rôle social : soigner, prendre soin

Raisonnement spécifique

Systèmes consultants

Spécificités de la médecine

- Données peuvent être ambiguës, imprécises, complexes,

manquantes : interprétation des signes

- Fiabilité des résultats

- Singularité des présentations, des transmissions d’information,

intégration de l’évolution dans la démarche.

- Subjectivité en médecine: la médecine est-elle une science

exacte, un art ?

- Cas simples // cas complexes

Systèmes consultants

dans la relation de soins

Décisions en climat d’incertitude

Questionnement diagnostique, pronostique et thérapeutique

Sémiologie : « signes »

Nosologie: critères identification de la maladie

Hypothèses

Environnement: données épidémiologiques, psychologiques, sociales…

Individualité patient et médecin

Relation duelle place de la « machine » ?

Interfaces et opacification

Réflexion au-delà d’un organe ou d’une fonction

Systèmes consultants Le raisonnement médical

• Processus analytiques : réflexifs

• Acquisition de connaissance : apprentissage et

expérience

• Stockage dans la mémoire

• Influence du contexte

• Décider et agir

Raisonnement intuitif ou Non analytique : Sans effort conscient Par reconnaissance de formes et d’exemples concrets

Hypothèse(s) diagnostique(s) émise(s) rapidement , sans effort conscient en lien avec la situation clinique Entité pathologique

Activation du script clinique

Guide le raisonnement hypothético déductif et facilite l’association entre signes et maladie

Ann. Fr. Med. Urgence (2011) 1:77-84

Raisonnement hypothético-déductif guidé par le « script »

Confirmer ou rejeter analytiquement la ou les hypothèses diagnostiques générées intuitivement

PROCESSUS DE RAISONNEMENT OBJECTIFS ASSOCIES

Absence de connaissance

intuitive de formes ou

d’exemples concrets

Application de règles

causales

Parvenir à un diagnostic en l’absence

d’hypothèses de départ, par une démarche

systématisée de recherche de données

cliniques et paracliniques

Ann. Fr. Med. Urgence (2011) 1:77-84

Recours aux connaissances

physiopathologiques

PROCESSUS DE RAISONNEMENT OBJECTIFS ASSOCIES

Raisonnement en chaînage avant,

Processus analytique

Processus de raisonnement non analytiques mobilisables par les médecins dans le cadre du raisonnement

clinique (stockés dans la mémoire)

Processus non analytiques Description

Reconnaissance de formes Identification intuitive, par le praticien, d’une configuration

caractéristique de signes (contextuels, cliniques…) évoquant

très fortement un ou plusieurs diagnostic(s)

Reconnaissance d’exemples Identification intuitive, par le praticien, d’une situation clinique

Concrets déjà vécue dans le passé, lui permettant d’évoquer très

fortement un ou plusieurs diagnostic(s)

Ann. Fr. Med. Urgence (2011) 1:77-84

Processus de raisonnement analytiques mobilisables par les médecins dans le cadre du raisonnement

clinique

Processus analytiques Description

Raisonnement hypothéticodéductif Le praticien recherche consciemment - à travers

l’interrogatoire, l’examen clinique et les examens

complémentaires - à confirmer ou à rejeter les hypothèses

diagnostiques envisagées

Raisonnement en chaînage avant Le praticien chemine consciemment des données cliniques et

paracliniques vers la solution, grâce à l’application de règles

causales ou conditionnelles

Examens complémentaires

exemple d’arbre diagnostique

RVN : Rapport de vraisemblance négatif = 1-se/sp

- Rapport de la proportion de faux négatif chez les malades (-se) sur celle des vrais négatifs chez les sujets qui n’ont pas la maladie (sp)

- Permet de calculer la probabilité post test en fonction de la probabilité pré test quand le résultat du test est négatif

Raisonnement Bayesien

La probabilité de la maladie après un

test (probabilité post test) dépend du

rapport de vraisemblance du test ainsi

que de la probabilité de la maladie avant

le test (probabilité pré-test)

Monograme de Fagan (1976)

Système d’assistance documentaire

• Aide indirecte à la prise de décision: faciliter

l’accès aux informations pertinentes

• En un temps record

• Implique de poser la bonne question

• Aide au raisonnement mais pas système de

raisonnement à proprement parler

• Système interface

• Évolutivité permanente

ACCESS

Accessing preappraised evidence: fine-tining the 5S model into a 6S model

American College of Physicians, 15 September2009. Volume 151, Number 3

Système d’assistance documentaire

« Pratiques médicale fondée sur les données probantes » Triade de l’Evidence-Based Practice

Early model of the key elements for evidence-based clinical decisions.

Clinical expertise in the era of evidence based medicine and patient choice.

R Brian Haynes et al. Evid Based Med 2002;7:36-38

EBP

Compétence clinique et évaluation du patient

Données scientifiques Choix et préférences

Du patient

An updated model for evidence-based clinical decisions.

Un nouveau modèle pour l’ “evidence-based” décision

Clinical expertise in the era of evidence based medicine and patient choice.

R Brian Haynes et al. Evid Based Med 2002;7:36-38

Systèmes d’aide à la décision médicale

• Algorithmes en médecine sont des systèmes d’aide

• Rôle d’assistant opérationnel

• Efficacité liée au développement de la documentation et à la maintenance de l’outil

• Développement difficile si les besoins sont mal exprimés

• Procédures de contrôle

• Contraintes techniques

• Systèmes dynamiques

• Ne peuvent répondre à toutes les questions

Exemple situation complexe

• Collégialité humaine requise et légiférée

• Décisions de limitation ou arrêt des thérapeutiques actives

• « Leonetti Claeys » n° 2016-87 du 2 février 2016

• Problématique du temps

• Données factuelles, objectives face à une personne, une situation singulière, des directives, une subjectivité, des disponibilités techniques…

• Question en terme de « déraisonnable », « acharnement »

• Directives anticipées

Champ de l’urgence • Rapidité de décision

• Décider sans diagnostic formel (incertitude diagnostique)

• Anticipation

• Évaluation et interrogation permanente: caractère dynamique de l’environnement informationnel à intégrer

• Adaptation

• Intégration de multiples données: médicales, sociales, psychologiques

• En contexte: interruptions, multiples prises en charge concomitantes

• « Charge affective »

• Autonomie, sécurisation, gain de temps

• Uniformité

• Limiter les « erreurs de raisonnement »

• Transmission de l’information

• Utilisation de scores, d’algorithmes depuis plus de 20 ans

• SADM: non bloquant

• Formation : recours à la simulation

Systèmes d’aide à la décision médicale

Outil

5 principes « rendre les algorithmes responsables »

• Responsabilité

• Explicabilité

• Exactitude

• Auditabilité

• Justiciabilité

Nicholas Diakopoulos de l’université du Maryland et Sorelle Friedler

Institut de recherche Data& Society. Technology review

Systèmes d’aide à la décision médicale • Cadre éthique : contextes, conséquences, valeurs et finalités

• Cadre législatif: responsabilité, consentement, données collectés et utilisation

• Ne pas avoir illusion d’une réponse

• Accumulation de preuves ne signifie pas exploration de toutes les possibilités

• Biais raisonnement par les SADM : poser la bonne question

• Problématique : méconnaissance qui ne permet pas de critiquer une proposition (place dans l’enseignement)

• Rester décisionnaire

• Conserver relation humaine: explications, information, confiance, discussion, consentement

• Une réalité « mise en données » peut être un reflet appauvri, voir déformé de cette réalité

• Hétérogénéité irréductible dans le champ de la médecine

• La visée d’une recherche sans hypothèse peut être illusoire

« Nous agrégeons des données d’après ce que l’on sait déjà, c’est-à-dire d’après la somme de connaissance déjà disponibles; le risque est grand de conforter ce qui est déjà connu, jusqu’à la tautologie » (J.-C; Lambert)

« La donnée est elle-même le résultat d’analyses massives en quelque sorte. L’objet est un résultat et non une évidence »

(A. Cachia)

Les cahiers de l’Espace Ethique- Espace Ethique Région Ile-de-France.

Septembre 2015. « Big data et pratiques médicales »