Utilisation de l’IA/ML pour la prédiction du risque d’hypoglycémie chez les patients diabétiques

Un établissement médical spécialisé dans un programme de soins destiné aux patients atteints de diabète. L’objectif du client était de mettre en œuvre un système permettant de prédire le risque d’hypoglycémie et d’informer automatiquement les patients des menaces potentielles pour leur santé.

L’hypoglycémie représente l’un des risques les plus graves pour les personnes atteintes de diabète.

Les solutions disponibles (comme les systèmes de CGM) sont efficaces, mais coûteuses et inaccessibles pour de nombreux patients. Jusqu’à présent, la prise en charge des patients souffrant d’hypoglycémie nécessitait l’intervention d’une équipe médicale, qui analysait le déroulement de chaque épisode, interprétait les données et, si nécessaire, contactait le patient. Chaque analyse prenait en moyenne environ 10 minutes et comportait un risque de retard — l’appel au patient pouvait ne pas être passé à temps, ce qui pouvait compromettre sa sécurité.

Le client avait besoin d’une solution capable de :

• Analyser automatiquement les données issues des glucomètres (sans matériel supplémentaire), les informations relatives aux médicaments ainsi que les données personnelles des patients ;
• Prédire le risque d’épisodes d’hypoglycémie ;
• Envoyer des notifications aux patients en cas de danger potentiel ;
• Réduire la nécessité d’un suivi constant des patients par le personnel médical.

Nous avons développé un système mobile d’IA/ML pour prédire le risque d’hypoglycémie à partir des données des glucomètres traditionnels et des informations patient. Nos actions comprenaient :

1. Conception et développement du modèle prédictif
   Dans le cadre du développement de la solution, nous avons mené un cycle de conception complet, en commençant par l’analyse des données issues des glucomètres. Une étape clé a consisté à concevoir un modèle prédictif basé sur des techniques d’apprentissage automatique, avec un accent particulier sur l’ingénierie des caractéristiques — notamment la variabilité glycémique comme l’un des principaux prédicteurs. Nous avons développé un pipeline ML flexible, permettant d’ajuster le modèle afin d’atteindre un équilibre optimal entre sensibilité et spécificité, un facteur essentiel pour la sécurité des patients.
2. Mise en place d’un système de notifications
   Parallèlement au modèle, nous avons développé un système de notification mobile qui envoie des alertes en temps réel aux patients en cas de risque élevé détecté. Cela permet aux utilisateurs de réagir rapidement et d’éviter des épisodes dangereux.
3. Validation et optimisation de la solution
   Lors de la phase de validation clinique, nous avons mené des consultations régulières avec une équipe médicale afin d’adapter le fonctionnement du système aux besoins réels de l’établissement et à la pratique médicale quotidienne.
   Les ajustements et optimisations mis en œuvre ont permis d’améliorer l’efficacité de la solution et son acceptation par les utilisateurs.
   L’efficacité de notre modèle de prédiction de l’hypoglycémie repose sur deux indicateurs diagnostiques clés, largement utilisés en médecine et en analyse de données : la sensibilité et la spécificité.

• La sensibilité (ang. sensitivity)
  indique dans quelle mesure l’algorithme détecte efficacement les épisodes réels d’hypoglycémie. Plus la sensibilité est élevée, plus la proportion de cas réels est correctement identifiée et signalée par le système, ce qui réduit le risque de passer à côté d’une situation critique.
• La spécificité (ang. specificity)
  montre dans quelle mesure l’algorithme évite les fausses alertes. Une spécificité élevée signifie que, lorsqu’il n’y a pas de risque d’hypoglycémie, le système ne déclenche pas d’alerte inutile, ce qui évite aux patients et au personnel médical d’être sollicités pour des interventions injustifiées.

Nous avons conçu un système qui a été très bien accueilli par l’équipe médicale ainsi que par les patients bénéficiant du programme de soins. Il a permis une prédiction efficace du risque d’hypoglycémie et une notification automatique des patients.

Grâce à cette mise en œuvre, la sécurité des patients a été considérablement renforcée et leur qualité de vie améliorée. Le processus de développement et la collaboration avec le client se sont déroulés sans encombre et ont été régulièrement suivis. Notre équipe a partagé son expertise, ce qui a facilité l’implémentation et l’adoption continue du système.