Le signal clinique souvent non mesuré
Les infirmières hospitalières passent leurs gardes entières à enchaîner les tours de médicaments, les contrôles des signes vitaux, la documentation, les échanges avec les familles et une succession de petits jugements permanents sur la stabilité ou non d’un patient. Dans cet environnement, l’une des formes d’expertise les plus importantes peut aussi être l’une des plus difficiles à documenter : le sentiment que quelque chose ne va pas avant que les indicateurs standards ne le montrent clairement.
Kelly Gleason, professeure associée à la Johns Hopkins School of Nursing, a bâti ses recherches autour de ce problème précis. Les infirmières, explique-t-elle, sont formées à lire les personnes autant que les moniteurs. Elles remarquent des changements d’apparence, de vigilance, de comportement ou d’allure générale qui ne déclenchent pas immédiatement d’alarme dans un système hospitalier classique d’alerte précoce. Pourtant, sans moyen objectif de communiquer ces inquiétudes, une intuition peut rester une simple impression, même lorsqu’elle s’avère ensuite exacte.
Le résultat est une situation récurrente et difficile en soins aigus. Une infirmière s’inquiète légèrement pour un patient, mais la tension artérielle, la fréquence cardiaque et d’autres indicateurs standards semblent normaux. Il peut être difficile de justifier qu’on interrompe une visite médicale sans éléments plus concrets, et des flux de travail déjà chargés laissent peu de temps pour examiner l’intuition de façon structurée. Parfois, le service suivant découvre que l’état du patient s’est aggravé et qu’il a été transféré en soins intensifs.
Intégrer le jugement infirmier aux systèmes de machine learning
L’approche de Gleason n’est pas de remplacer les alertes hospitalières existantes, mais de les enrichir. Les hôpitaux utilisent déjà des systèmes d’alerte précoce qui traitent les données des patients sur plusieurs gardes et produisent des scores de risque. Si un score dépasse un seuil, l’équipe soignante reçoit une alerte. De plus en plus, ces systèmes utilisent le machine learning pour améliorer les prédictions sur les patients susceptibles de se dégrader.
Ces systèmes jouent un rôle utile de filet de sécurité. Ils suivent un patient dans le temps, assurent la continuité lors des changements d’équipe et aident les cliniciens à ne pas manquer des tendances dans un service très occupé. Mais ils reposent encore principalement sur des données documentées, en particulier les signes vitaux et d’autres facteurs mesurables. Le défi est que les infirmières au chevet repèrent souvent des schémas inquiétants avant qu’ils puissent être proprement réduits à des chiffres.
Les travaux de Johns Hopkins visent à combler cet écart en trouvant un moyen de quantifier et d’intégrer ces observations au chevet dans des systèmes d’alerte assistés par l’IA. L’idée n’est pas une intuition mystique traduite directement en logiciel. Il s’agit de capturer de façon structurée des observations cliniques subtiles que des infirmières expérimentées formulent à répétition et qui peuvent corréler avec une aggravation même lorsque les mesures standard n’ont pas encore franchi un seuil.
