Protocoles d’urgence obsolètes sur le point d’être modernisés par l’apprentissage automatique

De nouvelles données de l’Université d’Osaka ont montré que les capacités de l’apprentissage automatique en constante augmentation pourraient désormais s’étendre aux situations d’urgence. Une équipe de chercheurs a démontré que la technologie peut désormais aider de manière efficace à déterminer les candidats appropriés pour l’acide tranexamique, réduisant ainsi les taux de mortalité parmi les patients traumatisés.

Qu’est-ce que l’acide tranexamique (TXA) ?

La plupart des médicaments sont simplement des traitements pour une sorte de condition. Cependant, quelques-uns peuvent être vraiment des sauveurs de vies. L’un de ces médicaments est l’acide tranexamique, ou « TXA ». À son niveau le plus simple, le TXA est administré aux patients pour arrêter les saignements importants, généralement provenant d’une sorte de traumatisme.

En regardant plus en détail, le TXA fonctionne en réduisant et en prévenant les saignements continuels en favorisant la formation de caillots dans le corps. Il parvient à cela en empêchant la formation d’une enzyme appelée plasmine qui travaille à décomposer la protéine essentielle à la coagulation – la fibrine.

Normalement, la présence de plasmine est une bonne chose, car elle empêche la coagulation excessive et une multitude de maladies (par exemple, les accidents vasculaires cérébraux, l’embolie pulmonaire, la thrombose veineuse profonde, l’infarctus du myocarde, etc.) qui peuvent résulter. Cependant, dans une situation d’urgence où le saignement doit être contrôlé, la capacité du TXA à empêcher sa formation est cruciale.

Sauver des vies dans les situations d’urgence avec l’apprentissage automatique

Que ce soit un paramédic de première ligne travaillant pour stabiliser un patient à l’arrière d’une ambulance en mouvement, ou un infirmier travaillant aux côtés d’une équipe de professionnels de la santé dans une salle d’urgence, le TXA reste un outil important pour gérer les saignements incontrôlés résultant d’un traumatisme. Il est important de reconnaître, cependant, que le TXA n’est pas approprié pour chaque patient, car il est souvent accompagné d’effets secondaires graves, ce qui rend difficile la détermination de son administration.

En reconnaissant que le TXA n’est pas universellement bénéfique en raison de ses effets secondaires potentiels, l’étude susmentionnée s’est concentrée sur l’identification de sous-groupes spécifiques de patients traumatisés qui pourraient le plus probablement bénéficier d’un traitement au TXA. À l’avenir, cette capacité à identifier les candidats pourrait jouer un rôle important dans la modernisation des protocoles existants pour déterminer l’éligibilité à l’administration.

En utilisant des techniques d’apprentissage automatique, les chercheurs ont analysé les données de plus de 50 000 patients dans la banque de données sur les traumatismes au Japon pour identifier huit phénotypes de traumatismes distincts (groupes basés sur des caractéristiques observables). Ils ont ensuite examiné l’impact du TXA sur ces phénotypes en ce qui concerne la mortalité hospitalière. Les résultats ont révélé que certains sous-groupes ont montré une réduction significative de la mortalité lorsqu’ils étaient traités avec du TXA, tandis que d’autres n’en ont pas bénéficié.

L’étude met en évidence les présentations diverses des patients traumatisés, dont les blessures varient considérablement en type et en gravité, ce qui rend difficile la prédiction de l’efficacité du traitement à l’échelle individuelle. L’objectif de cette recherche est d’améliorer les soins personnalisés pour les patients traumatisés, améliorant ainsi la qualité globale des soins et les taux de survie dans cette population à haut risque. Cette approche de traitement spécifique au patient pourrait conduire à une utilisation plus efficace du TXA dans les soins de traumatisme, en réduisant les effets secondaires inutiles et en optimisant les résultats – tout grâce à l’apprentissage automatique.

L’apprentissage automatique : un catalyseur central à travers les technologies disruptives

Cette étude est la dernière d’une série croissante d’exemples mettant en évidence la façon dont des sous-ensembles de l’intelligence artificielle, comme l’apprentissage automatique, peuvent exceller en tant que catalyseur central ou « technologie de base » à travers presque tous les secteurs – une réalisation qui a été soulignée dans le « Big Ideas 2024 » d’Ark Invest.

Beaucoup de cela est attribué à la capacité de l’IA à traiter et à reconnaître des modèles au sein de grandes quantités de données. Elle peut le faire plus efficacement que tout humain et se perfectionne de plus en plus rapidement.

Spécialistes de l’apprentissage automatique

Il peut s’écouler un certain temps avant que l’apprentissage automatique soit utilisé pour déterminer si un patient doit recevoir du TXA, mais il existe déjà de nombreuses entreprises qui travaillent à développer cette technologie plus en avant. En fait, certaines ont déjà commencé à l’intégrer dans d’autres facettes des soins de santé qui sont tout aussi importantes.

*Les chiffres fournis ci-dessous étaient exacts au moment de la rédaction et sont sujets à changement. Tout investisseur potentiel doit vérifier les métriques*

1. NVIDIA

(NVDA )

NVIDIA a été à la pointe du développement de l’IA, en exploitant sa puissante technologie de GPU pour faire progresser divers secteurs, notamment les soins de santé. Dans le domaine des soins de santé, les plateformes d’IA de NVIDIA sont utilisées pour accélérer la découverte de médicaments, l’imagerie médicale et l’analyse génétique. Par exemple, leurs GPU permettent un traitement plus rapide de grands ensembles de données pour des tâches telles que le diagnostic par imagerie, aidant à identifier les maladies à partir de radiographies et d’IRM avec une plus grande précision et rapidité.

NVIDIA collabore avec des institutions de recherche et des organisations de soins de santé pour développer des outils d’IA qui prédisent les maladies, améliorent les résultats pour les patients et réduisent les coûts des soins de santé. Grâce à ces initiatives, NVIDIA améliore les applications de soins de santé existantes et ouvre de nouvelles voies pour diagnostiquer et traiter les maladies en utilisant le pouvoir de l’IA.

Au moment de la rédaction, NVDA était classé par la majorité des analystes comme un ‘Acheter fort’

2. Powerful Medical

Le produit/service phare de Powerful Medical est connu sous le nom de PMCardio. Il s’agit d’une plateforme conçue pour aider les professionnels de la santé à analyser, interpréter, diagnostiquer et traiter les événements cardiaques.

Il utilise l’apprentissage automatique pour analyser les ECG et les comparer à une vaste base de données de dossiers de patients. Cela permet à PMCardio de détecter les infarctus du myocarde, également appelés « crises cardiaques », et d’autres anomalies avec précision et rapidité.

La plateforme se distingue par sa capacité à fournir des diagnostics précis au point de contact initial, ce qui est crucial pour une intervention rapide en cas d’urgence cardiaque. La technologie de PMCardio est particulièrement importante car elle aide à combler le fossé critique dans la détection des affections cardiaques qui peuvent ne pas être apparentes par des méthodes de diagnostic traditionnelles.

En intégrant l’IA dans ses opérations, PMCardio offre aux professionnels de la santé un outil puissant qui améliore la coordination des soins, rationalise le processus de triage et assure une détection précoce et précise des événements cardiaques potentiellement mortels. Cette avancée dans la technologie médicale met en évidence le potentiel de l’IA pour révolutionner le domaine de la diagnostic cardiovasculaire en améliorant la capacité à prédire et à traiter les maladies cardiaques de manière efficace.

Dès le 1er mars 2024, PMCardio a réussi à obtenir 7,5 millions d’euros de financement du Conseil européen de l’innovation pour continuer à développer ses outils de diagnostic basés sur l’IA, montrant ainsi son potentiel pour atténuer l’une des principales causes de décès dans le monde.