iROBOT : Mise en oeuvre de tableaux de bord opérationnels en temps réel pour les soins traumatologiques

Résumé

Contexte : Les soins traumatologiques en Colombie-
Britannique (C.-B.) sont fournis par des systèmes de santé
régionaux. Island Health (ISLH), qui dessert l’île de Vancouver (population de 864 000 habitants), est l’une des sept autorités sanitaires qui transmettent leurs données au BC Trauma Registry (BCTR). Les données du BCTR sont recueillies par les registres après le congé des patients, ce qui entraîne un délai structurel dans la disponibilité des données. Notre objectif est d’accélérer l’accès aux données en développant un tableau de bord en temps réel pour les patients traumatisés susceptibles d’être inclus dans
le BCTR.

Méthodes : Nous avons jumelé les cas du BCTR aux données de visites d’ISLH afin de développer rétrospectivement un classificateur à arbre de décision permettant d’identifier les patients qui seront admis aux services de traumatologie. Ce classificateur a ensuite été validé de manière prospective pour déterminer la précision et la sensibilité du système. Nous relions maintenant les données électroniques d’ISLH aux éléments de données correspondants du BCTR afin de développer un système automatisé pour la présentation des données nécessaires à la production de rapports du registre, à l’amélioration de la qualité et, ultimement, à la surveillance en temps réel des traumatismes.

Résultats : Nous avons jumelé rétrospectivement 97,45 % (n = 5 989/6 146) des cas du BCTR avec ceux d’ISLH entre 2018 et 2022. Notre classificateur s’est révélé sensible à 96 % et spécifique à 93 % pour identifier les cas admis aux services de traumatologie en utilisant seulement trois attributs numériques (noeuds), tous disponibles dans les 24 premières heures de soins.

La validation prospective du classificateur, réalisée entre juin et août 2024, a porté sur 206 509 patients. Comparativement à l’approche traditionnelle, le modèle de classificateur a identifié davantage de vrais positifs (405 contre 397) et de vrais négatifs (206 031 contre 201 773), et moins de faux positifs (52 contre 4 310) et de faux négatifs (21 contre 29). Le classificateur a démontré une sensibilité et une spécificité supérieures (95,07 % et 99,97 % respectivement) à l’approche standard (sensibilité = 93,19 %, spécificité = 97,91 %), avec des scores de précision nettement plus élevés (88,62 % contre 8,43 %). Sur le plan opérationnel, le modèle a permis une réduction de 90,16 % du temps de dépistage (18 minutes par semaine contre 183 minutes). Sur le plan clinique, le modèle a identifié huit cas de traumatisme qui n’avaient pas été évalués par les services de traumatologie; ces patients ont ensuite été transférés à ces services.

Nous avons intégré notre classificateur dans un tableau de bord de rapports en temps réel et avons réussi à relier 32,9 % (n = 53) des variables de données. Nous ajoutons actuellement d’autres éléments de données au tableau de bord et prévoyons relier avec succès 80 % (n = 76) des variables restantes qui sont actuellement extraites manuellement.

Retombées et leçons apprises : Notre système de classification a permis d’identifier les admissions en traumatologie avec un haut degré de précision et de réduire le temps de dépistage de plus de 90 %. Nous avons réussi à cartographier 33 % des éléments de données du registre dans un tableau de bord et prévoyons que 80 % des éléments seront éventuellement intégrés, permettant ainsi la collecte semi-automatique de la majorité des données requises pour les rapports. Cette semi-automatisation facilitera la transition du processus d’extraction de données vers la validation des données et sera ultimement utilisée pour identifier les cas de traumatismes biologiques à des fins de surveillance.