Toward Improved ICU Care – Predicting Blood Draw Frequency at Admission Time with Deep Learning

L'introduction de l'intelligence artificielle (IA) dans le domaine médical offre de nouvelles perspectives pour améliorer la qualité des soins et optimiser les pratiques cliniques. Cette technologie devient de plus en plus essentielle en particulier dans des environnements critiques tels que les unités de soins intensifs (USI). En combinant la puissance de l'apprentissage automatique et de l'analyse prédictive, les professionnels de la santé peuvent prendre des décisions plus éclairées, améliorant ainsi les résultats pour les patients. L'une des principales applications de cette avancée technologique concerne la gestion des prélèvements sanguins, où l'IA peut transformer la façon dont la fréquence des prises de sang, connue sous le nom de phlébotomie, est gérée. Les techniques de gestion de phlébotomie ont été un domaine de recherche continu dans les hôpitaux, en particulier dans les USI. Les progrès des protocoles et de la technologie ont conduit à des améliorations significatives ; cependant, le défi des prélèvements sanguins fréquents persiste, car ces tests influencent environ 70 % des décisions cliniques. Bien que certaines études aient utilisé l'apprentissage automatique pour prédire les résultats des tests sanguins juste avant la prise de décision, cette thèse se concentre sur la prévision de la fréquence des prélèvements sanguins dès le moment de l'admission en USI, en proposant un calendrier personnalisé des prises de sang tout au long du séjour du patient.

Abstract

Advancements in medicine driven by artificial intelligence (AI) are revolutionizing patient care, particularly in critical environments like Intensive Care Units (ICUs). By connecting the power of machine learning and predictive analytics, healthcare professionals can make more informed decisions, ultimately improving patient outcomes. One of the key areas that could be benefiting from this technological leap is blood management, where using AI can reshape how blood draw, known as phlebotomy, frequency is handled. Blood management techniques have been an ongoing area of research in hospitals, particularly in ICUs. Advances in protocols and technology have led to significant improvements; however, the challenge of frequent blood draws persists, as these tests inform approximately 70% of clinical decisions. While some studies have employed machine learning to predict blood test outcomes shortly before decisions are made, this thesis shifts the focus to forecasting blood draw frequency from the moment of ICU admission, presenting a tailored schedule of phlebotomy throughout the patient's stay.