|

Un modèle d’IA pour la détection de la fragilité chez les personnes âgées

Le problème identifié

La fragilité est un syndrome clinique. Elle se définit par une diminution des capacités physiologiques de réserve qui altère les mécanismes d’adaptation au stress. L’enjeu de la gériatrie aujourd’hui est de prévenir le risque en limitant le nombre de personnes fragiles. Il n’existe cependant pas d’outil standardisé adopté par les gériatres mais des échelles multiples peu reproductibles.

La solution proposée

Développer un modèle d’IA basé sur des données structurées en Snomed CT capable de prédire le risque de fragilité chez les personnes âgées et identifier les facteurs clés de ce syndrome. Le modèle pourrait ensuite être intégré à une application Web destinée aux médecins, afin de les assister en fournissant une prédiction du risque.

L’impact attendu

  • Pour les patients:
    • Réduction des complications liées à la fragilité grâce à une détection précoce.
    • Meilleure prise en charge notamment à domicile améliorant ainsi la qualité de vie.
  • Pour les acteurs publics:
    • Optimisation des ressources médicales et infirmières en priorisant les patients à risque
    • Diminution des coûts de santé liés notamment aux ré-hospitalisations

Les ressources nécessaires

  • Compétences recherchées:
    • Spécialistes en ‘LLMs’ afin de structurer le texte libre des comptes rendus médicaux de gériatrie
    • Spécialistes en FHIR pour inclure dans des ressources FHIR le travail réalisé avec le ‘LLM’ et alimenter l’algorithme de détection de la fragilité (Réseau de neurones artificiels)
  • Partenariats potentiels:
    • Laboratoire de recherche en informatique et traitement automatique du langage, experts FHIR
    • Autres centres hospitaliers intéressés par le projet

Mon besoin immédiat via la plateforme

  • Retours sur l’idée et la méthodologie.
  • Trouver des experts en ‘LLM’ afin de structurer les données et de valider ensuite le modèle.
  • Trouver des experts en interopérabilité et FHIR pour optimiser les ressources FHIR venant du ‘LLM’ afin d ’alimenter l’algorithme de détection de la fragilité.
  • Obtenir des financements pour soutenir le développement et les phases pilotes du projet.

Similar Posts

  • | |

    Coalitions Apprenantes

    Le projet Coalitions Apprenantes développe une nouvelle approche d’apprentissage collaboratif entre les modèles d’intelligence artificielle et les experts médicaux. L’objectif est d’améliorer en continu la qualité des décisions cliniques grâce à un système d’apprentissage actif : lorsque le modèle rencontre un cas incertain, il sollicite l’avis d’un expert humain. En cas de divergence, une seconde…

  • |

    AI4Brain

    Click here to access the project’s website: Le projet IA for Brain vise à introduire des outils avancés d’analyse, de modélisation et de prédiction dans le suivi des patients atteints de troubles neurologiques ou psychiatriques. Il se concentre sur quatre axes : faciliter le transfert et l’harmonisation des données patients, définir les meilleurs modèles et…

  • |

    DIOC

    Ce projet vise à transformer la manière dont sont évalués et pris en charge les troubles psychiatriques, en particulier lestroubles liés à l’usage de substances et les troubles de l’humeur. L’objectif : développer un dispositif intégré d’évaluation multifactorielle capable d’orienter chaque patient vers les soins les plus adaptés dès l’hospitalisation, afin de prévenir les rechutes…

  • |

    Precision Prevention: A Novel Approach to Healthcare in Wallonia

    submitted by Vincent Dessard
    > Link to forum

    Le problème identifié

  • Faibles taux de participation aux programmes de dépistage existants
  • Obstacles: manque de sensibilisation, méthode de dépistage invasives et peu acceptées, absence de stratégies de dépistage personnalisées basées sur les facteurs de risque individuels, …
  • La solution proposée

  • Une plateforme complète pour la médecine préventive
  • Intuitive, centrée sur le citoyen pour gestion proactive de sa santé
  • Accès interoperable & patient-centric aux DPI / DMI (EHR)
  • Intégration de données démographiques, génétiques et environnementales → stratégies de dépistage adaptées aux risques
  • Utilisation de modèles d’IA et de scores de risque polygénique (PRS) pour prédire les risques de pathologies.
  • |

    GUIMIC: From Guidelines to Mindlines through Coalitional Active Learning

    submitted by Benoit Macq
    > Link to forum

    Le problème identifié

  • Difficulté de l’alignement de l’usage de l’IA pour l’aide à la décision clinique avec les « mindlines »
  • Obstacles: rejet des outils d’IA trop prescriptifs et pas assez adaptés aux pratiques médicales en équipe.
  • La solution proposée

  • Une plateforme basée sur le CAL et les RAG des guidelines
  • Les experts établissent une coalition (théorie des jeux coopératifs)
  • RAG avec les guidelines du domaine

    Fine tuning du RAG par échantillonnage coopératif des experts

    Une solution de recommandations avec vote dans la coalition a été implémentée

Laisser un commentaire