La prédiction des risques de surdose d’opioïdes à l’aide de l’apprentissage automatique : L’évaluation d’une approche d’IA (l'intelligence artificielle)

Giri Puligandla

Bo (Cloud) Cao

Les impacts

  • Le capital d’amorçage de 50 000 $ de la RSMC et de l’IAM a conduit à presque $1 million de dollars de fonds supplémentaires après-octroi afin d’élargir profondément l’échelle et la profondeur de ce travail.

  • La première étude connue à prédire et à vérifier de manière prospective la surdose d’opioïdes au niveau individuel, en utilisant des données sur la santé de la population.

  • Ce projet est innovateur car il fait participer les communautés et les parties prenantes tôt dans le développement de nouvelles technologies. Il permet des interventions plus efficaces et éthiques, au moyen d’outils prédictifs qui soutiennent les patients, les personnes à risque et leurs familles, ainsi que les cliniciens, les services d’urgence et les décideurs politiques.

  • Depuis que ce projet a été financé, l’ACMS Edmonton et la ville d’Edmonton ont établi le Council for Community Mental Health , qui soutiendra le projet à atteindre plus de personnes avec de l’expérience vécue et à éclairer les initiatives municipales sur la dépendance et l’empoisonnement aux drogues.

  • Du point de vue des chercheurs, l’étude a introduit une nouvelle approche communautaire à l’IA dans le domaine de la santé mentale en impliquant des personnes ayant de l’expérience vécue et en suscitant des expériences significatives sur l’usage éthique et l’impact des outils de prédiction personnalisés pour la surdose d’opioïdes.

« Ce prix nous a permis de nouer d'autres collaborations cruciales avec des équipes de l'Alberta et du Canada, ce qui a eu un impact durable sur notre programme de recherche et notre engagement communautaire. Le partenariat entre l'ACSM Edmonton et l'Université de l'Alberta a été enrichissant et inspirant, car nous partageons des visions du monde, des réseaux et des expertises très différents. Nous croyons que notre partenariat servira de modèle pour un partenariat communauté-université en matière d'innovations technologiques susceptibles de générer des solutions à des problèmes sociaux que nous ne pourrions résoudre seuls, que ce soit dans le milieu universitaire ou dans le secteur social. »

— Bo (Cloud) Cao et Giri Puligandla

  • Alberta

  • Subvention

  • Université d’Alberta

  • ACMS Edmonton

  • IAM, ATB Financial

  • 2023-2024

  • La santé mentale digitale

  • Les personnes présentant une dépendance

À propos du projet

Ce projet avait l’objectif d’aborder la crise des opioïdes en améliorant les modèles d’IA ou d’apprentissage automatique qui utilisent des données en matière de santé de la population à grande échelle afin d’identifier les facteurs de risque et à prédire les surdoses d’opioïdes. Tout au long du processus, les chercheurs ont collaboré étroitement avec des communautés et des parties prenantes afin de mieux comprendre comment ces prédictions pouvaient être appliquées de manière significative dans des contextes réels.

La méthodologie

Le premier partie de l’étude a visé à développer et à valider un futur modèle de prédiction personnalisée et à l’échelle de la population de la surdose d’opioïdes, en utilisant l’apprentissage automatique ainsi que les données administratives provinciales sur la santé dépersonnalisées. Le modèle de prédiction des surdoses d’opioïdes était basé sur une cohorte d’environ 4 millions de personnes en 2017 afin de prédire les cas de surdoses d’opioïdes en 2018. Il a ensuite été testé sur les données de cohorte de 2018, 2019 et 2020 afin de prédire les cases de surdoses d’opioïdes en 2019, 2020 et 2021 respectivement, et puis de mettre à jour et de valider le modèle longitudinalement.

Le deuxième partie de l’étude a visé à faire participer les patients, les personnes à risque et leurs familles, de même que les cliniciens, les services d’urgences et les décideurs politiques, afin d’évaluer les avantages et les risques potentiels de tels modèles de prédiction, en plus des canaux pour leur mise en œuvre en contexte réel.

Les résultats

  • La performance prévisionnelle du modèle, y compris la précision équilibrée, la sensibilité, la spécificité et l’aire sous la courbe ROC (de l’anglais Receiver Operating Characteristic) a été évaluée, atteignant une précision équilibrée de 83,7, 81,6 et 85,0 dans chaque année respectivement.

  • Les facteurs principaux prédictifs, dérivés des variables liées à l’utilisation de soins de santé, sont documentés par l’Institut canadien d’information sur la santé (ICIS) et les factures soumises par les médecins. Il s’agissait des consultations pour traiter la dépendance aux drogues ou à l’alcool, la dépression, les troubles névrotiques, anxieux, ou obsessionnels compulsifs et les lésions superficielles.

  • La contribution principale de cette étude était de démontrer que la prédiction personnalisée des surdoses d’opioïdes à partir de données existantes à l’échelle de la population peut fournir une prédiction précise des futurs cas de surdose dans l’ensemble de la planification des politiques.

La portée du projet

Le projet est actuellement basé exclusivement en Alberta, mais il pourrait s’élargir à l’échelle nationale, une fois que le modèle reçoit la validation clinique. Il implique activement de divers individus ayant de l’expérience vécue dans le développement et la mise en œuvre communautaire de la technologie, ouvrant la voie à la future mise à l’échelle partout au Canada.

Des collaborations avec des équipes de soins de santé ainsi qu’avec les organisations communautaires, y compris l’Association canadienne pour la santé mentale (ACSM), sont en cours pour essayer des applications dans les contextes réels.

Les ressources créées