Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

L’adoption croissante de l’intelligence artificielle (IA) dans les unités de soins intensifs (USI) a démontré un potentiel remarquable pour la prédiction de la mortalité, tout en mettant en évidence des défis majeurs liés à l’opacité des modèles les plus performants. Les cadres réglementaires tels que le RGPD, la HIPAA et le MDR imposent une traçabilité complète des décisions automatisées, tandis qu’une majorité de cliniciens expriment une réticence à suivre des recommandations d’IA dépourvues d’explications compréhensibles.

Ce mémoire cherche à répondre à la question suivante : comment concevoir un système d’intelligence artificielle capable de prédire la mortalité en soins intensifs tout en restant compréhensible pour les cliniciens et conforme aux réglementations en matière de protection des données?

À partir de la base de données publique MIMIC‑III, un modèle hybride de prédiction de la mortalité en USI est proposé selon un pipeline en trois étapes :(1) un classificateur XGBoost optimisé par recherche bayésienne des hyperparamètres, (2) une couche d’explicabilité locale et globale reposant sur les valeurs SHAP (Shapley Additive exPlanations), (3) un enrichissement sémantique des explications par un mappage vers la terminologie de référence médicale SNOMED-CT, réalisé à l'aide de la bibliothèque Text2Term et de l'API BioPortal.

Le modèle atteint une performance de discrimination satisfaisante, avec un AUC-ROC de 0,85 et une sensibilité de 56 %, améliorant les performances du modèle de référence, notamment en sensibilité (de 32 % à 56 %), tout en préservant une stabilité robuste lors de la validation croisée à cinq plis L’analyse SHAP identifie le score de Glasgow, l’urée sanguine et l’âge comme les variables prédictives dominantes, en cohérence avec les facteurs pronostiques établis dans la littérature médicale. SHAP explique les prédictions du modèle sous forme de règles en mesurant la contribution de chaque variable à chaque prédiction.

L’annotation des quinze variables les plus influentes, obtenues à l’aide de SHAP, permet d’enrichir les règles cliniques actionnables à partir de termes de référence SNOMED‑CT. Une évaluation multidimensionnelle portant sur la clarté, la rapidité, l’actionnabilité et la cohérence clinique montre que l’enrichissement des règles améliore significativement l’interprétabilité du système sans compromettre la performance prédictive.

Enfin, le système génère des traces d'audit conformes aux exigences réglementaires et facilite l'interopérabilité avec les dossiers médicaux électroniques grâce à l'utilisation de codes SNOMED-CT nativement compatibles avec le standard HL7 FHIR, ouvrant la voie à des solutions d'IA médicale à la fois performantes, explicables et transparentes.