Intelligence artificielle
Projet collaboratif et formulaire pour poster vos questions et/ou vos commentaires
Ce wiki est un projet collaboratif, auquel chacun peut apporter sa pierre, soit par les questions issues de sa pratique pour lesquelles les réponses sont incertaines ou absentes, soit par les réponses qu'il souhaite lui-même apporter.
Vous devez pour cela entrer votre question ou votre commentaire en utilisant notre formulaire en ligne ici...
Qu’est-ce que l’intelligence artificielle en santé ?
Il n’existe pas de définition unique et universelle de l’intelligence artificielle parce que ce terme recoupe de nombreuses technologies [1].
L’intelligence artificielle (IA) est un domaine de recherche en pleine expansion, une révolution technologique incontournable qui affecte tous les domaines d’activité : économie, emploi, services publics, environnement, information, secteur culturel … [1, 2].
L’IA désigne l’ensemble des techniques et des technologies qui, à partir du stockage et de l’analyse d’un vaste ensemble de données, visent à reproduire ou à simuler certaines capacités humaines, comme le raisonnement, l’apprentissage, la perception ou la décision.
Ces nombreuses applications sont amplifiées par les systèmes d’IA dite « générative » qui permettent à un humain, très rapidement, en quelques secondes, par écrit ou oralement, de générer du contenu, là où il faudrait à l’homme plusieurs jours ou semaines [1].
Mais il reste de nombreuses incertitudes, notamment quant à la maîtrise des systèmes, au déploiement, à la responsabilité, la vérité et la pertinence de l’information.
En médecine l’IA offre des perspectives prometteuses pour améliorer la qualité des soins, le diagnostic, la prévention, la recherche, la mise au point de médicaments ou la formation à condition de placer l’éthique et les droits humains au cœur de sa conception, de son déploiement et de son utilisation [3,4].
Références :
[1].Commission de l’Intelligence artificielle. IA : notre ambition pour la France.Mars 2024.
[3]. Jeremie. IA et santé : l’OMS publie un premier rapport. Devinci Executive Education. 20 sept 2021.
Mots clés : intelligence artificielle [artificial intelligence].
Qualité de la preuve : Grade 4.
Comment fonctionnent les intelligences artificielles ?
Les systèmes d’intelligence artificielle s’appuient sur des techniques d’apprentissage automatique, entraînés sur d’importants volumes de données : textes, images, vidéos, sons, tableaux [1].
La conception de ChatGPT, agent conversationnel développé par OpenAI, suit 5 étapes [2] :
- Un pré-entraînement sur un vaste ensemble de données provenant d’Internet qui lui permet d’acquérir une compréhension générale de la syntaxe, la grammaire et le contexte ;
- Une mise au point sur des taches spécifiques sous supervision humaine ;
- La génération de texte : réponse du modèle à une requête en se basant sur son apprentissage préalable ;
- L’attention contextuelle : attribution d’une importance spécifique lors de la génération de la réponse compte tenu des différents éléments du contexte ;
- Des itérations : ajustements permettant au système d’affiner sa réponse en fonction du contexte au fur et à mesure de la conversation.
Une fois entraîné le modèle sollicité par le biais de requêtes répond en produisant de nouvelles données, s’enrichissant au fur et à mesure [1, 2].
Il existe des modèles développés spécifiquement pour fournir des informations médicales pertinentes et personnalisées grâce au recoupement de données : les big data [3]. Cependant ces modèles ne sont pas parfaits et ne peuvent remplacer le jugement et l’expertise de professionnels humains [2].
Références :
[1]. Commission de l’Intelligence artificielle. IA : notre ambition pour la France. Mars 2024.
Mots clés : intelligence artificielle [artificial intelligence].
Qualité de la preuve : Grade 4.
Quelles sont les premières applications de l’IA en santé?
Pratiquement aucun domaine de la médecine et des soins n’échappe à l’influence de l’IA [1,2].
Les tâches administratives et de secrétariat ont été les premières concernées. L’IA joue un rôle croissant dans :
- L’accueil en automatisant la gestion des rendez-vous, avec rappels pour limiter l’absentéisme, permettant aux secrétaires de récupérer du temps pour d’autres tâches ;
- La gestion de la couverture maladie, les rapports entre les soignants et les organismes payeurs ;
- La synthèse des données du patient, de résultats d’analyse et d’examens complémentaires;
- L’analyse d’images de radiographies, d’histologie, de fonds d’œil, d’ECG, la synthèse et la rédaction de comptes rendus plus complets, rapides et précis ;
Dans une enquête auprès de 57 médecins généralistes, internistes, cardiologues et orthopédistes américains [3], sur 430 heures de travail, 27,0% du temps étaient consacrés à la consultation directe des patients et 49,2 % à la saisie des données dans le dossier at autres tâches administratives. En présence même du patient 52,9% du temps étaient consacrés directement à l’examen et 37,0% à la saisie dans le dossier électronique et autres tâches administratives, source d’épuisement professionnel.
Pour chaque heure de soins directs au patient les médecins consacrent près de 2 heures supplémentaires à la documentation et aux tâches administratives, en grande partie en dehors des heures de travail, pendant les heures de repos accroissant les risques de burn-out [4].
Les assistants de rédaction utilisant l’IA peuvent alléger la charge de travail liée à la gestion administrative.
Références :
Mots clés : intelligence artificielle [artificial intelligence].
Qualité de la preuve : Grade 3.
Quelles sont les performances des systèmes d’IA en santé ?
Les systèmes d’IA sont en pleine expansion dans l’usage des dispositifs médicaux, le dépistage et le suivi de maladies chroniques.
Performances diagnostiques
Dans une étude portant sur 100 patients [1] (âge médian 72 ans) admis dans un service d’urgences de médecine interne principalement pour des pathologies cardiovasculaires, endocriniennes, gastro-intestinales ou infectieuses, ChatGPT-4 a surpassé les médecins internes des urgences en matière de précision diagnostique (p= 0,01), principalement pour les pathologies cardio-vasculaires (p=0,03), endocriniennes et gastro-intestinales (p=0,01).
Dans une autre étude sur 70 cas complexes [2] ChatGPT-4 a fourni un diagnostic différentiel exact dans 64 % des cas difficiles et un diagnostic principal exact dans 39 % des cas.
Une autre étude [3] utilisant deux générateurs de diagnostics différentiels (IsabelHealth et Memem7) à propos de 105 cas réels issus d’un forum de télémédecine ces deux systèmes identifiaient le diagnostic cible correct avec une efficacité équivalente, tous cas confondus, de 58% et 68 % (différence non significative entre les deux systèmes), apportant une aide pour établir une liste pertinente de diagnostics différentiels et identifier le diagnostic cible.
Suivi de patients diabétiques
Des algorithmes d'IA ont été développés pour automatiser le dépistage et faciliter la prise en charge du diabète et d'autres troubles métaboliques. Ils permettent de diagnostiquer et classer le diabète de type 1, le diabète de type 2, le diabète gestationnel avec une précision équivalente à celle d’un médecin.
Les pompes à insuline intégrant l’IA sont utilisées dans nombre d’études pour automatiser les débits de perfusion d’insuline en fonction du contrôle continu de la glycémie.
Divers systèmes permettent également de diagnostiquer les complications graves du diabète : rétinopathie, pied diabétique, risque d’hospitalisation [4].
Pathologies cardiovasculaires
Dans une étude de 100 dossiers de patients présentant des pathologies cardiovasculaires [5] en posant des questions visant à évaluer des hypothèses diagnostiques, les examens complémentaires et analyses recommandés, ChatGPT a pu donner 43 % de réponse exactes, 42 % d’erreurs et 15 % de concordances partielles.
Mais ChatGPT était plus performant pour diagnostiquer les cas les plus graves (p<0,001) ainsi que l’urgence (p<0,011).
Patients insuffisants rénaux
Une revue systématique [6] et une étude de cohorte rétrospective [7] ont évalué les performances de modèles d’IA chez des patients souffrant d’insuffisance rénale chronique pour :
- La recherche et la compatibilité de greffons, donc définir une stratégie cohérente d’attribution, et prédire la survie du greffon;
- Prédire la mortalité à 1, 4 et 7 ans rétrospectivement dans une cohorte de 559 patients hémodialysés, comparativement à une cohorte témoin de 87 patients d’un autre centre. Les valeurs de précision pour ces échéances étaient de respectivement de 0,891, 0, 857 et 0,891.
Les IA conversationnelles ont des performances aujourd’hui inférieures à celles de médecins mais elles peuvent être utiles pour établir des listes de diagnostics différentiels et pour aider au suivi des pathologies chroniques.
Références :
Mots clés : intelligence artificielle ; diagnostic ; diabète ; maladies cardiovasculaires ; défaillance rénale chronique [artificial intelligence ; diagnosis ; diabetes mellitus ; cardiovascular diseases ; kidney failure, chronic].
Qualité de la preuve : Grade 3.
Les apports de l’IA en chirurgie
Traumatologie
L’intelligence artificielle révolutionne l’orthopédie-traumatologie [1].
Grâce à des algorithmes avancés et à la capacité à mettre en relation et rendre compréhensible les éléments pris en compte, l’intelligence artificielle permet d’améliorer les diagnostics, la planification des gestes techniques et le suivi des patients.
Dans une revue de 33 articles concernant des recherches issues de pays investissant massivement dans les soins de santé et les technologies (États-Unis, Chine, Royaume Uni, Allemagne, Japon), des modèles d’IA (CNN, ResNet, VGG16) ont démontré des performances surpassant souvent les radiologues experts en termes de précision, sensibilité et spécificité, avec une amélioration significative des taux de détection de fractures sur différents sites : hanche, poignet, côtes, y compris des fractures subtiles susceptibles d’échapper à l’œil nu.
En situation d’urgence et de polytraumatisme l’IA est capable d’identifier et prioriser des fractures critiques nécessitant une intervention immédiate [1].
Des modèles de langage, tels que ChatGPT ou Open AI, à partir des données d’imagerie et des antécédents du patient peuvent apporter une aide pour la précision des diagnostics, les diagnostics différentiels et des décisions thérapeutiques [1,2].
Références :
Mots clés : intelligence artificielle ; fractures osseuses ; diagnostic ; prise de décision [artificial intelligence ; fractures bone ; diagnosis ; decision making].
Qualité de la preuve : Grade 3.
Infections post opératoires
Des modèles d’IA ont été conçus pour prédire les infections post-opératoires dans les 7 à 30 jours suivant une intervention [1].
À partir des dossiers médicaux électroniques portant sur 253 010 interventions chirurgicales dans 3 hôpitaux en Belgique et aux Pays Bas dont 23 093 ayant entrainé une infection dans les 30 jours post-opératoires, l’étude PERISCOPE a démontré une très bonne correspondance entre le risque prédit par des modèles d’IA XGBoost et les résultats observés avec une aire sous la courbe ROC pour chacun des 3 hôpitaux respectivement de 0,82 (IC 95 % : 0,81-0,83), 0,82 (0,81-0,83) et 0,91 (0,90-0,91).
Ces résultats ont été considérés comme cliniquement utiles avec un bénéfice supérieur aux stratégies par défaut de traitement systématique ou absence de traitement pour un large éventail de seuils de décision [1].
Référence :
Mots clés :: intelligence artificielle ; infections ; prévision [artificial intelligence ; infections ; forecasting].
Qualité de la preuve : Grade 3.
La chirurgie assistée par ordinateur
La robotique chirurgicale a rapidement connu un développement exponentiel, avec en 2017 plus de 700 robots da Vinci (Intuitive Surgical®, Sunnyvale, CA, USA) implantés en Europe, et plus de 2700 aux USA [1].
Les données recueillies par l’imagerie médicale (scanner, IRM, ultrasons), analysées par des logiciels spécifiques, permettent de concevoir une reproduction virtuelle d’une zone à opérer pour faciliter la planification et la réalisation d’un geste chirurgical [2].
Le jour J, ces données peuvent être intégrées dans la programmation de robots qui seront utilisés au cours de la phase opératoire proprement dite.
Elles peuvent aussi être directement exploitées par le chirurgien : tandis qu’il suit le geste qu’il est en train de réaliser via un écran de contrôle (qui présente par exemple l’image radiographique de la zone opérée), des informations obtenues lors des étapes préopératoires (telle qu’une représentation 3D de structures anatomiques) peuvent se superposer.
Il existe deux types de robots [1,2] :
- Des robots qui fonctionnent en « mode esclave » effectuant les gestes sous le contrôle d’un chirurgien qui les pilote sur place ou même à distance. Il s’agit en fait d’un télémanipulateur. L’interface informatique filtre les mouvements, fait disparaître le tremblement physiologique et permet une démultiplication du geste adaptée au grossissement de l’image. Un double système optique relié à deux caméras tri CCD apporte une vision endoscopique en 3D de haute définition.
- Des robots autonomes capables de conduire seuls l’opération à partir des données propres au patient. Rares en chirurgie curative ils sont particulièrement utilisés en radiothérapie lorsqu’il s’agit d’utiliser une source radioactive nécessitant des mesures de protection particulières.
Grâce à des logiciels particuliers, des modèles d’aide à la décision peuvent aider le chirurgien à prédire le geste le plus adapté à la situation du patient [1].
Références :
[2]. Chirurgie et interventions assistées par ordinateur (CIAO) · Inserm, La science pour la santé. clés : intelligence artificielle ; chirurgie ; robotique [artificial intelligence ; surgery ; robotics].
Qualité de la preuve : Grade 3.
Les apports de l’IA en cancérologie
Les progrès dans le traitement des cancers sont exponentiels.
L’IA est passée de la recherche expérimentale aux applications pratiques en pathologie numérique, démontrant son potentiel pour améliorer la précision diagnostique, l'efficacité et les informations pronostiques [1].
Plusieurs plateformes d'IA ont reçu l'agrément de la FDA et le marquage CE, permettant leur intégration dans les flux de travail cliniques. Parallèlement, de nouvelles applications continuent d'explorer les capacités prédictives et pronostiques en oncologie.
Un algorithme, "Paige® Prostate" , aide les pathologistes à détecter le cancer de la prostate sur des lames virtuelles numérisées, contribuant à réduire les erreurs de diagnostic et à améliorer l'efficacité, ce qui permet de réduire jusqu'à 70 % les erreurs de détection.
D’autres programmes ont reçu une certification CE pour le diagnostic de cancers basé sur l’IA et prédire la réponse thérapeutique.
Sur un groupe de 158 patients ayant subi une résection pulmonaire à visée curative pour cancer bronchique non à petites cellules de stade précoce, l’IA entrainée sur 118 cas puis testée sur une cohorte distincte de 40 cas a pu prédire avec une précision de 87 % les patients qui développeront des métastases après un suivi de 10 ans [1].
Dans une revue systématique de 105 études [2] évaluant les apports de l’IA dans plusieurs domaines de la surveillance infirmière en oncologie (prédiction des risques, alertes précoces, détection de tumeurs, suivi des symptômes) les résultats suggèrent que ces outils pourraient améliorer la précision de l'aide à la décision clinique, renforcer l'identification précoce des complications et optimiser l'efficacité du suivi.
Mais des obstacles importants demeurent. Nombre de ces outils restent encore du domaine de la recherche avec une hétérogénéité des données sur des petits effectifs, des problèmes de validation et de confidentialité, mais ils fournissent aux chercheurs des ensembles de données pour des technologies plus avancées d’apprentissage visant à améliorer la rapidité et la cohérence pour une médecine de précision [1,2].
Références :
Mots clés : intelligence artificielle ; oncologie [artificial intelligence ; oncology].
Qualité de la preuve : Grade 3.