Modèles de prédiction alimentés par l’IA prêts à faire progresser les soins de santé de façon spectaculaire

L’objectif de l’IA est de permettre aux machines d’imiter les pensées et le comportement humains, englobant l’apprentissage, le raisonnement et la prédiction. Au cœur de cet effort se trouve la modélisation basée sur l’IA, qui sert de fondation à la création de systèmes automatisés et intelligents.

Pour construire de tels modèles, une variété de techniques est utilisée, essentielles à la création de systèmes intelligents applicables dans divers secteurs du monde réel, notamment la finance, les soins de santé, l’agriculture, la cybersécurité, et bien d’autres.

Le développement de ces modèles utilise souvent différents types d’analytique — descriptive, diagnostique, prédictive et prescriptive — en fonction de la nature du problème et des exigences de sa solution.

Aujourd’hui, notre attention se porte sur l’analytique prédictive, qui explore les données afin de prévoir ce qui se passera à l’avenir. En utilisant d’énormes quantités de données, le modèle interprète des motifs reconnaissables, ce qui facilite des prédictions précises et aide à prendre des décisions éclairées. 

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.

Capacité inégalée de l’IA à reconnaître les tendances

L’IA possède cette capacité inégalée à reconnaître les tendances au sein d’un ensemble de variables. En effet, contrairement aux humains, la technologie peut traiter rapidement d’énormes quantités de données, puis identifier les motifs et les tendances et en comprendre la signification. 

C’est grâce aux algorithmes d’apprentissage automatique qu’un modèle d’IA accomplit sa tâche, qui consiste à prédire le résultat à partir des données fournies.

Lors de l’analyse d’une tendance, on utilise généralement des réseaux neuronaux inspirés du fonctionnement du cerveau humain en raison de leur capacité à apprendre et à s’adapter. D’autres algorithmes d’apprentissage automatique essentiels à l’analyse des tendances sont les machines à vecteurs de support (SVM), qui classent les données en catégories distinctes, et les forêts aléatoires, qui agrègent plusieurs arbres de décision pour créer des modèles prédictifs puissants. Le réseau bayésien est un autre exemple qui utilise des modèles graphiques probabilistes pour représenter les dépendances statistiques entre un ensemble de variables. 

Dans le domaine de la santé, exploiter ces algorithmes d’apprentissage automatique pour créer des modèles de prédiction alimentés par l’IA permet d’offrir des soins et des plans de traitement plus personnalisés et adaptés.

À cette fin, l’IA parcourt diverses données de santé pour mettre en évidence les tendances émergentes de la progression des maladies. Cela permet aux professionnels médicaux d’anticiper les problèmes de santé et d’adapter les stratégies de traitement, transformant ainsi les soins aux patients.

Le potentiel de la capacité de l’IA à détecter les motifs dans le domaine de la santé

Examinons maintenant l’utilisation concrète de la capacité de la technologie à reconnaître les tendances au sein d’un ensemble de variables.

Outil de surveillance IA pour détecter la septicémie avant l’apparition des symptômes

Dans une récente étude, les chercheurs ont découvert qu’ils peuvent prédire avec succès l’infection septique chez les patients à haut risque et sauver des vies en utilisant un nouvel algorithme d’IA. 

La septicémie est une cause majeure de mortalité et de morbidité dans le monde. Dans cette condition, le système immunitaire du corps réagit de manière excessive à une infection, causant des dommages à ses propres tissus et organes.

Aux États‑Unis, chaque année, au moins 1,7 million d’adultes développent une septicémie, et environ 350 000 en meurent, cette infection sanguine potentiellement mortelle. Par ailleurs, on estime que 48,9 millions de personnes sont touchées chaque année dans le monde, dont environ 11 millions décèdent.

Cependant, des chercheurs de l’École de médecine de l’Université de Californie à San Diego sont prêts à modifier ces chiffres en exploitant l’IA.

Selon l’étude publiée dans l’édition en ligne de Digital Medicine, les chercheurs ont développé un algorithme d’IA appelé COMPOSER. Il utilise les données en temps réel pour indiquer à l’avance si le patient présente la condition avant que ses signes cliniques ne se manifestent, en travaillant « silencieusement et en toute sécurité en coulisses ». 

Le modèle surveille en continu chaque patient à la recherche de signes de septicémie, a indiqué le co‑auteur de l’étude, le Dr Gabriel Wardi, chef de la division des soins intensifs du département de médecine d’urgence de l’UC San Diego (UCSD).

La reconnaissance précoce de la septicémie est cruciale, car les interventions sont plus bénéfiques lorsqu’elles sont mises en œuvre tôt dans l’évolution de la maladie.

Le modèle a été utilisé dans les services d’urgence de UC San Diego Health, le seul système médical académique de la région, pour identifier les patients à risque d’infection septique et a réduit la mortalité de 17 %.

Son fonctionnement consiste à, après l’enregistrement d’un patient aux urgences, COMPOSER commence à surveiller plus de 150 variables patient pouvant être liées à la septicémie. Ces variables comprennent les données démographiques, les antécédents médicaux, les signes vitaux et les résultats de laboratoire.

Si un patient présente plusieurs de ces variables, entraînant un risque élevé d’infection septique, l’algorithme avertit le personnel infirmier via le dossier de santé électronique de l’hôpital. Le personnel examine alors avec le médecin pour confirmation et pour déterminer les plans de traitement appropriés pour le patient. 

“Ces algorithmes d’IA avancés peuvent détecter des motifs qui ne sont pas immédiatement évidents à l’œil humain.” 

– Shamim Nemati, Ph.D., co‑auteur de l’étude & directeur de l’analytique prédictive et professeur associé d’informatique biomédicale à l’École de médecine de l’UC San Diego

Il a également ajouté :

“Le système peut examiner ces facteurs de risque et fournir une prédiction de la septicémie très précise.”

L’étude, financée par les National Institutes of Health, la National Library of Medicine et le Joan and Irwin Jacobs Center for Health Innovation de UC San Diego Health, a examiné plus de 6 200 admissions de patients avant et après le déploiement de l’algorithme d’IA dans les services d’urgence de l’hôpital.

Il s’agit de la première étude à avoir utilisé un modèle d’apprentissage profond IA et à avoir signalé une amélioration des résultats pour les patients. Le modèle utilise des réseaux neuronaux artificiels pour identifier avec précision et sécurité des facteurs de risque complexes et multiples chez les patients. Wardi a déclaré :

“C’est grâce à ce modèle d’IA que nos équipes peuvent fournir plus rapidement des thérapies salvatrices aux patients.”

COMPOSER a été activé pour la première fois il y a plus d’un an, en décembre 2022. Il est actuellement utilisé dans de nombreuses unités hospitalières d’admission de UC San Diego Health, et à l’avenir, le campus Est de UC San Diego Health commencera également à l’utiliser.

Récemment, le Centre de soins de santé a annoncé la nomination de son premier directeur de l’IA en santé. Il a également lancé un projet pilote où les systèmes de dossiers de santé électroniques basés sur le cloud, Epic et ChatGPT, rédigent automatiquement des réponses de messages plus compatissantes afin que les médecins et les soignants puissent se concentrer sur les soins aux patients.

“L’intégration de la technologie IA dans le dossier de santé électronique contribue à tenir la promesse de la santé numérique.” 

– Christopher Longhurst, co‑auteur de l’étude & directeur exécutif du Jacobs Center for Health Innovation et chef médical ainsi que chef du numérique chez UC San Diego Health

Logiciel d’analyse des données génomiques pour prédire les maladies avec précision

Un autre exemple de modèles de prédiction alimentés par l’IA aidant le secteur de la santé se trouve dans une étude publiée la semaine dernière. Créé chez Rutgers Health, le logiciel inédit appelé IntelliGenes combine IA et apprentissage automatique pour aider à prédire les maladies chez les individus. Le modèle examine les données génomiques afin de trouver des biomarqueurs liés à la santé afin de produire des prédictions personnalisées pour les patients ainsi qu’une représentation visuelle de celles‑ci.

Les données multi‑génomiques renseignent sur la composition génétique inhérente d’un patient et ont le potentiel de découvrir de nouveaux biomarqueurs en fonction de leur risque de maladie. L’étude a noté :

“Nous pensons que l’utilisation synergique de plusieurs algorithmes d’IA fournit des résultats plus précis, tire des conclusions éclairantes et des prédictions précises sur les problèmes du monde réel comparé à un seul algorithme d’IA isolé.”

Il a également constaté que la machine à vecteurs de support (SVM) et la forêt aléatoire (RF) sont les algorithmes d’apprentissage automatique les plus performants pour réaliser des prédictions avec une grande précision et résoudre les problèmes de régression et de classification.

Actuellement, il n’existe aucun outil d’IA permettant d’examiner et d’interpréter le génome humain complet, en particulier pour les personnes qui ne sont pas expertes dans le domaine. Ainsi, les chercheurs ont développé IntelliGenes, qui peut être utilisé par quiconque, y compris ceux qui ne possèdent pas beaucoup de connaissances en techniques de bioinformatique ou n’ont pas accès à des ordinateurs haute performance.

En utilisant une combinaison d’algorithmes d’apprentissage automatique, les chercheurs de Rutgers Health visent à découvrir des informations qui passent généralement inaperçues avec les statistiques classiques et les techniques de bioinformatique traditionnelles.

Les chercheurs ont ensuite appliqué IntelliGenes dans une autre étude pour découvrir de nouveaux biomarqueurs et prédire les maladies cardiovasculaires (CVD) avec une grande précision.

L’utilisation appropriée des méthodologies d’IA et d’apprentissage automatique, selon l’étude, peut nous offrir de nouvelles perspectives et compréhensions des maladies cardiovasculaires. Cela, à son tour, permettra de meilleurs traitements personnalisés.

L’étude a commencé par un prétraitement rigoureux des données d’expression génique, puis a utilisé trois tests statistiques pour évaluer les différences d’expression transcriptomique (étude de l’ensemble complet d’ARN) et les différences entre les caractéristiques cliniques des patients CVD et celles des individus sains.

Dans leurs recherches, l’équipe a découvert 18 biomarqueurs transcriptomiques très significatifs dans la population CVD. Ils ont ensuite été utilisés pour prédire la maladie avec une précision allant jusqu’à 96 %. Ces résultats ont également été validés par recoupement avec les dossiers cliniques collectés auprès des patients de la cohorte.

“Il existe un énorme potentiel dans la convergence des ensembles de données et les avancées stupéfiantes de l’intelligence artificielle et de l’apprentissage automatique.”

– Zeeshan Ahmed, auteur principal de l’étude. Ahmed est membre du corps professoral du Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) et professeur assistant de médecine à la Robert Wood Johnson Medical School

Selon lui, le modèle ne se contente pas de soutenir la détection précoce personnalisée des maladies courantes et rares chez les individus, mais ouvre également la voie à une recherche plus large qui mènera finalement à de nouvelles interventions et traitements.

L’IA n’est pas encore une solution parfaite !

Comme nous l’avons vu, les modèles alimentés par l’IA offrent des avantages significatifs dans le domaine des soins de santé. Ils ont la capacité de détecter les maladies bien à l’avance avec une grande précision et de sauver de nombreuses vies. Cependant, ce n’est pas la solution ultime, pas encore, du moins. Cela se voit dans une étude publiée plus tôt ce mois-ci qui a montré que lorsque l’IA est appliquée dans le monde réel, des erreurs surviennent. 

Publiée plus tôt ce mois-ci dans la revue Modern Pathology, cette étude est la première à examiner comment la contamination des tissus influence les modèles d’apprentissage de l’IA.

Dans cette étude, les chercheurs ont entraîné trois modèles d’IA pour analyser des lames microscopiques de tissu placentaire, avec des tâches incluant l’identification de dommages aux vaisseaux sanguins, l’estimation de l’âge gestationnel et la classification de lésions macroscopiques. De plus, un quatrième modèle a été entraîné pour détecter le cancer de la prostate dans des échantillons de tissu provenant de biopsies à l’aiguille.

Pour tester leur robustesse, les chercheurs ont ensuite exposé chaque modèle à de petites portions de tissu contaminant — comme du sang et du tissu vésical — prélevées aléatoirement sur d’autres lames. Cette étape visait à reproduire les conditions du monde réel où les contaminants sont souvent présents.

Lors de l’évaluation des performances des modèles d’IA, il a été découvert que les quatre modèles ont détourné leur attention vers les contaminants tissulaires plutôt que de se concentrer sur leurs tâches principales. Cette distraction a entraîné des inexactitudes dans la détermination de l’âge gestationnel, le diagnostic du cancer de la prostate, l’identification des lésions et l’évaluation des dommages aux vaisseaux sanguins. Cela s’explique par le fait que les IA rencontrent une variété de matériaux dans le monde réel pour lesquels elles n’ont pas été entraînées, contrairement aux environnements simulés et propres dans lesquels elles sont formées.

“Nos résultats rappellent que l’IA qui fonctionne extrêmement bien en laboratoire peut échouer dans le monde réel. Les patients doivent continuer à s’attendre à ce qu’un expert humain soit le décideur final des diagnostics réalisés sur des biopsies et d’autres échantillons tissulaires. Les pathologistes craignent — et les entreprises d’IA espèrent — que les ordinateurs ne prennent nos emplois. Pas encore.”

– Co‑auteur Dr. Jeffery Goldstein

Ce n’est pas seulement un problème pour l’IA, mais même les pathologistes, qui sont largement formés à détecter cela, rencontrent fréquemment la contamination tissulaire. Cependant, l’étude souligne que les médecins et les chercheurs non pathologistes sont souvent étonnés d’apprendre cela. Elle a noté que, au cours d’une journée donnée, sur les 80 à 100 lames scannées quotidiennement par un pathologiste, 2 à 3 sont susceptibles de contenir des contaminants, qu’ils sont formés à ignorer.

Selon l’étude, les modèles d’IA fonctionnent de manière similaire, tout comme les humains examinent les tissus sur les lames. Lorsqu’ils examinent les tissus sur les lames, les humains ne peuvent regarder qu’un champ limité à travers le microscope, puis passer à un nouveau champ et combiner toutes les informations recueillies pour établir un diagnostic.

Cependant, il a été constaté que l’IA est facilement trompée par les contaminants, car elle doit décider à quoi prêter attention et quoi ignorer. “C’est un jeu à somme nulle,” a déclaré Goldstein, directeur de la pathologie périnatale et professeur assistant de pathologie périnatale et d’autopsie à la Feinberg School of Medicine de Northwestern University, comme il l’a expliqué :

“Si elle prête attention aux contaminants tissulaires, alors elle prête moins attention au tissu du patient qui est examiné.”

Selon les auteurs de l’étude, les praticiens devraient travailler à quantifier et à améliorer le problème de l’incapacité des modèles d’IA à encoder les impuretés biologiques.

Cependant, les résultats ont rendu Goldstein “confiant que les évaluations de la placenta par l’IA sont réalisables,” qualifiant les obstacles de l’IA de “bouchon”. Cela signifie simplement que “nous sommes sur la voie d’une meilleure intégration de l’apprentissage automatique en pathologie,” a-t-il ajouté.

Entreprises qui peuvent bénéficier des modèles de prédiction alimentés par l’IA

Avec les modèles d’IA montrant un grand potentiel, voyons maintenant quelles entreprises sont les plus susceptibles d’en bénéficier :

1. Google DeepMind

Il s’agit d’une filiale du géant technologique Google qui vise à résoudre l’intelligence afin de « faire progresser la science et bénéficier à l’humanité ». 

Plus récemment, des chercheurs de Google DeepMind ont révélé qu’ils ont créé un assistant IA pour les médecins appelé Articulate Medical Intelligence Explorer (AMIE) qui peut aider à diagnostiquer les patients. Un autre article de l’organisation a proposé WARM pour lutter contre le piratage de récompense dans les grands modèles de langage (LLM).