L’IA peut prédire votre mort

L’IA peut prédire votre mort

Toi, si tu pouvais savoir quand tu vas mourir, est-ce que tu voudrais le savoir ?…
Cette question existentielle, que l’on s’est tous posée à un moment donné, redevient d’actualité alors que des chercheurs ont développé un algorithme informatique qui peut prédire avec plus de précision les patients qui mourront dans la prochaine année.

L‘analyse assistée par apprentissage approfondi améliore les prévisions de mortalité, selon les résultats d’une étude publiée le 8 février dans le Nature Biomedical Engineering, par A. Ulloa Cerna, L. Jing, C.W. Good et d’autres chercheurs du Département de science des données translationnelles et d’informatique affilié au Geisinger Health System.

L’imagerie médicale est essentielle pour décider du traitement dans la plupart des spécialités et est devenue l’un des composants les plus riches en données du dossier de santé électronique (DSE). Ainsi, une seule échographie du cœur produit environ 3 000 images, et les cardiologues disposent de peu temps pour interpréter ces images dans le contexte de nombreuses autres données diagnostiques.

Pour trouver l’aiguille dans une botte de foin, quoi de mieux que l’intelligence artificielle (IA)? L’apprentissage automatique peut gérer et analyser des quantités impressionnantes de données et fournir une assistance intelligente aux médecins.

Électrocardiogramme

Électrocardiogramme

PRÉDIRE LA MORTALITÉ

Pour leur étude, l’équipe de recherche a utilisé du matériel informatique spécialisé afin d’entrainer le modèle d’apprentissage automatique. Le réseau neuronal convolutif a été formé sur des données de pixels brutes avec la lecture de 812 278 vidéos d’échocardiogramme cardiaque réalisées sur 34 362 patients du Geisinger Medical Center au cours des dix dernières années. Autant dire que l’échantillon était assez conséquent pour valider la démarche!

Le modèle d’apprentissage automatique impliquait 58 variables d’origine humaine provenant d’échocardiogrammes et 100 variables dérivées des dossiers de santé électroniques. L’étude a comparé les résultats du modèle aux prévisions des cardiologues lors de multiples enquêtes. Une enquête ultérieure a démontré que la précision des prévisions des cardiologues s’améliore de 13 % avec l’aide du modèle IA.

Tirant parti de près de 50 millions d’images, cette étude représente l’un des plus grands ensembles de données d’imagerie médicale jamais publiés. L’algorithme a surpassé d’autres prédicateurs cliniques utilisés, notamment les équations de cohorte regroupées et le score d’insuffisance cardiaque de Seattle (mesuré dans un ensemble de données indépendant de patients).

La pathologie numérique gagne en importance dans la pratique clinique moderne et deviendra probablement cruciale pour le diagnostic dans un proche avenir.

« L’analyse assistée par apprentissage profond des vidéos d’échocardiogramme améliore les prévisions de mortalité, toutes causes confondues.» – Alvaro Ulloa Cerna, Ph. D., scientifique principal des données au Département de science des données translationnelles et d’informatique chez Geisinger. [i]

PRÉDIRE LA MALADIE

Une autre étude réalisée auprès de 80 patients au Columbia University Irving Medical Center (CUIMC) a appliqué un algorithme d’apprentissage profond (en open source) pour détecter les lymphocytes infiltrant les tumeurs (TIL) dans les images d’hématoxyline et d’éosine (H&E) de mélanomes à un stade précoce. L’IA permettrait une meilleure évaluation de la profondeur et de l’ulcération dans le mélanome primaire.

« Des biomarqueurs de pronostique précis du mélanome à un stade précoce sont nécessaires, de toute urgence, pour qualifier les patients en vue des essais cliniques de traitement adjuvant. » – Extrait traduit de la première phrase du synopsis de l’étude, publiée dans le Nature Biomedical Engineering, le 2 février 2021.[ii]

AU QUÉBEC

Ces résultats d’étude semblent confirmer que de grands ensembles de données non structurés peuvent permettre un apprentissage profond pour améliorer un large éventail de modèles de prédiction clinique. Les prédictions cliniques sont cruciales, car les décisions concernant le traitement et les interventions sont justement basées sur ces types de prédictions.

Au Québec, Imagia a entrepris de bâtir un écosystème de soins de santé propulsé par l’IA. Il s’agit principalement de donner un accès plus ouvert aux outils nécessaires à la découverte de biomarqueurs cliniquement pertinents.

La plateforme EVIDENS vise à d’effectuer des découvertes en cohortes numériques, faire de la recherche collaborative avec des pairs et partager des renseignements sur l’ensemble des données comprises dans un hôpital, par exemple. L’objectif est d’accélérer la recherche pour les parties prenantes, tout en préservant la propriété intellectuelle de chaque institution et en respectant la vie privée des patients.

L’apprentissage automatique promet donc d’aider les médecins à prédire la mortalité et d’autres événements cliniques futurs dans la vie d’un patient en forgeant des modèles complexes à partir de données historiques, telles que les dossiers de santé électroniques longitudinaux.

Reste à savoir quand et surtout comment l’intelligence artificielle atteindra sa vitesse de croisière dans notre système de santé public et privé, afin d’intervenir de manière plus précoce dès l’apparition des symptômes. Ceci pourrait vouloir dire des interventions moins graves pour le patient et aussi réduire les coûts du système de santé liés à des traitements trop tardifs.


[i] Source : Ulloa Cerna, A.E., Jing, L., Good, C.W. et al. Deep-learning-assisted analysis of echocardiographic videos improves predictions of all-cause mortality, Nat Biomed Eng (2021).

[ii] Source : Moore, M.R., Friesner, I.D., Rizk, E.M. et al. Automated digital TIL analysis (ADTA) adds prognostic value to standard assessment of depth and ulceration in primary melanoma, Nat Biomed Eng (2021).