L’actualité numérique des industries de santé

    L’actualité numérique des industries de santé

    Etudes

    L'intelligence artificielle plus performante que des médecins dans le diagnostic de maladies respiratoires

    0 627

    (Par Luu-Ly DO-QUANG, au congrès de l'ERS)

    PARIS (TICpharma) - L'intelligence artificielle (IA) a présenté de meilleures performances que des pneumologues dans l'interprétation des explorations fonctionnelles respiratoires, des symptômes et/ou des analyses biologiques afin de diagnostiquer correctement des maladies respiratoires, montrant l'intérêt de cet outil pour les médecins, selon plusieurs communications présentées au congrès de l'European Respiratory Society (ERS), qui s'est achevé le 19 septembre à Paris.

    Dans un communiqué diffusé mercredi, la société savante a mis en avant les travaux du Dr Marko Topalovic de l'hôpital universitaire de Louvain (Belgique) et ses collègues belges, néerlandais, français et allemands, qui montrent l'intérêt de l'IA pour améliorer la capacité des médecins à interpréter correctement les tests et poser le bon diagnostic.

    "Les explorations fonctionnelles respiratoires (EFR) apportent de vastes séries de données numériques et de courbes que l'oeil humain a parfois des difficultés à percevoir et reconnaître. Mais, pour les ordinateurs, il est plus facile de gérer de très grandes quantités de données (big data) et nous pensons que l'IA pourrait être utile pour les pneumologues", explique le Dr Topalovic dans le communiqué de l'ERS.

    De précédents travaux ont exploré la performance de l'IA dans l'interprétation automatisée des résultats d'EFR pour diagnostiquer une maladie, avec une précision de 76%. Mais jusqu'à présent, à la connaissance des chercheurs, la performance des experts n'a pas été quantifiée.

    Pour cette étude, un algorithme diagnostique a été développé à l'aide des données historiques de 1.430 patients provenant de 33 hôpitaux belges, constituant la cohorte d'entraînement. Ces données (données cliniques, résultats d'EFR et d'autres tests) ont été analysées par un panel de pneumologues experts, selon les recommandations des sociétés savantes européenne et américaine, afin d'aboutir à un diagnostic par consensus.

    Les résultats ont été ensuite utilisés pour développer l'algorithme et entraîner l'IA, poursuit le Dr Topalovic, soulignant qu'il est de "la plus grande importance" d'avoir des données de bonne qualité.

    Pour valider l'IA, les chercheurs ont constitué une cohorte de 50 personnes prises au hasard parmi les personnes hospitalisées dans le service de pneumologie de l'hôpital de Louvain: 8 étaient en bonne santé, 11 avaient un asthme, 4 une bronchopneumopathie chronique obstructive (BPCO), 3 maladie pulmonaire interstitielle, 5 une maladie neuromusculaire, 10 une maladie pulmonaire vasculaire, 4 une difformité thoracique ou une maladie pleurale et 5 une autre maladie obstructive.

    Tous ont réalisé des EFR (spirométrie, pléthysmographie, mesure de la capacité de diffusion pulmonaire) et donné des informations cliniques sur leur santé respiratoire (toux, crachats, dyspnée...). D'autres tests étaient réalisés si besoin.

    L'ensemble des données générées ont été soumises, d'une part, à un panel de 120 pneumologues experts de 16 hôpitaux différents de cinq pays et, d'autre part, à l'IA.

    L'interprétation des 6.000 résultats de tests par les experts correspondaient aux recommandations dans 74,4% des cas, avec une variation entre 56% et 88% des cas selon le pneumologue, mais sans différence significative entre les juniors et les seniors, et 68% et 80% des cas selon le centre.

    Sur le diagnostic, la performance était de 44,6%, avec une variation entre 24% et 62% selon le médecin, sans différence significative non plus entre les juniors et les seniors, et entre 39% et 51% selon le centre.

    Performance de 100% pour l'interprétation des EFR

    L'IA a présenté de très bonnes performances puisque l'analyse des tests était à 100% en accord avec les recommandations et le diagnostic proposé était correct dans 82% des cas.

    Selon les maladies, la sensibilité et la valeur prédictive positive (VPP) varient de manière importante.

    Par exemple, la sensibilité du diagnostic est de 100% avec l'IA pour la BPCO, les maladies neuromusculaires et les personnes en bonne santé, contre respectivement 65%, 25% et 71% pour les experts. Cependant, la sensibilité diagnostique de l'IA n'est que de 25% pour les autres maladies obstructives alors qu'elle est de 34% pour les experts.

    La VPP de l'IA atteint 100%, par exemple, pour les maladies pulmonaires interstitielles, les maladies vasculaires pulmonaires, les difformités thoraciques et maladies de la plèvre ainsi que pour les autres maladies obstructives, alors qu'elle n'atteint que respectivement 62%, 48%, 27% et 29% avec les experts. La VPP de l'IA descend à 60% pour les maladies neuromusculaires et 73% pour la BPCO (vs 33% et 68%).

    Ces résultats montrent que l'interprétation des résultats d'EFR et le diagnostic "ne sont pas une tâche facile pour le pneumologue", commente le Dr Topalovic. "Le logiciel d'IA a une performance supérieure et peut constituer un outil d'aide à la décision puissant pour améliorer la pratique clinique."

    "Le retour des médecins est très positif, en particulier pour le diagnostic de maladies rares", rapporte le chercheur. Le recours à l'IA en pratique clinique dépendra de l'acceptation de la communauté médicale, fait-il observer.

    "L'IA va augmenter nos capacités à en accomplir plus de travail, en réduisant le travail répétitif, et à diminuer nos risques d'erreurs. Nous faisons confiance aux ordinateurs pour nos voitures, nos avions et notre sécurité. Nous le pouvons aussi en médecine afin de proposer les meilleures conditions pour un diagnostic, indépendamment du lieu ou de la couverture médicale", s'enthousiasme le Dr Topalovic.

    Il ajoute que deux grands hôpitaux belges utilisent désormais cette IA. "Nous sommes convaincus que nous pouvons aider les médecins à faire des interprétations et des diagnostics de meilleure qualité, plus facilement et plus rapidement."

    Les prochaines étapes sont l'extension de cette technique dans les hôpitaux puis l'évaluation du transfert vers les soins primaires pour aider les médecins généralistes notamment dans l'adressage des patients.

    Le machine learning pour distinguer épanchement pleural bénin et malin

    Plusieurs autres études sur l'IA comme outil d'aide au diagnostic ont été présentées au congrès. Parmi elles figurait une approche par machine learning (apprentissage automatique) pour distinguer les épanchements pleuraux bénins des formes malignes chez des patients atteints d'un cancer du poumon.

    Le diagnostic des épanchements pleuraux malins est difficile lorsque la cytologie est négative. Pour cela, l'analyse de biomarqueurs sériques apparaît très utile tandis que l'intérêt de l'analyse du fluide pleural fait encore l'objet de controverse. Quant aux examens d'imagerie telles que la thoracoscopie ou la biopsie assistée par vidéo, ils ont une très haute spécificité mais sont parfois mal tolérés ou pas disponibles dans les hôpitaux, a indiqué le Pr Stefano Elia de l'université Tor Vergata à Rome, en session orale.

    Pour cette étude, les chercheurs ont comparé la performance de six biomarqueurs lorsqu'ils présents dans le sérum et dans le fluide pleural pour distinguer un groupe de 124 patients avec un cancer du poumon, des épanchements pleuraux et une cytologie négative et un groupe contrôle de 44 patients avec une maladie non maligne.

    Des examens radiologiques complémentaires ont été réalisés pour confirmer le diagnostic.

    L'analyse a mis en évidence que deux biomarqueurs prélevés dans le fluide pleural présentaient les meilleures performances diagnostiques (92%), l'antigène carcino-embryonnaire (ACE) et le fragment 21-1 de la cytokératine 19 (CYFRA 21-1).

    Une formule mathématique a été établie pour attribuer une valeur de 0 (maladie bénigne) ou 1 (maladie maligne), et l'algorithme a été entraîné à distinguer les formes malignes des formes bénignes à partir des deux biomarqueurs.

    Il apparaît que sa précision diagnostique est de 96%, contre 92% avec un modèle de régression logistique des données, a indiqué le Pr Elia. L'algorithme présentait une sensibilité de 93%, une spécificité de 95%, une aire sous la courbe (ASC) de 96%, une valeur positive prédictive de 98% et un coefficient de corrélation de Matthews de 90%.

    Cette étude montre qu'une approche de machine learning a permis d'établir les biomarqueurs les plus performants pour détecter les épanchements pleuraux malins en cas de cytologie négative. Elle pourrait être appliquée à de nouveaux biomarqueurs pour le diagnostic du cancer du poumon, mais aussi pour la classification et la réponse au traitement, a ajouté le chercheur.

    Une équipe japonaise a également présenté des données sur une approche de deep learning (apprentissage profond) pour améliorer la performance du diagnostic d'asthme.

    Luu Ly Do Quang

    À suivre

    Mounir Mahjoubi nomme un coordonnateur national pour la stratégie d’intelligence artificielle

    Etudes

    SEP: l'appli de suivi d'Ad Scientiam équivalente aux tests standards

    PARIS (TICpharma) - La solution informatique MSCopilot, développée par Ad Scientiam et Roche, a montré une efficacité équivalente aux tests standards pour évaluer les patients atteints de sclérose en plaques (SEP) dans une étude multicentrique, permettant à la start-up hébergée à l'Institut du cerveau et de la moelle (ICM) d'accélérer le déploiement de son outil en France comme à l'international.

    0 971

    Acteurs

    Télésurveillance: près de 1.000 patients inclus dans les expérimentations de financement

    (Par Raphaël MOREAUX)

    PARIS (TICpharma) - Près de 1.000 patients ont été inclus dans les expérimentations de financement des actes de télésurveillance pilotées par la direction générale de l'offre de soins (DGOS), dont la majeure partie (60%) dans le télésuivi des arythmies, a indiqué la DGOS le 31 mai à l'occasion de la Paris Healthcare Week.

    0 625

    Vos réactions

    Anti-spam : Veuillez saisir le résultat de ce calcul S.V.P
    2 + 4 =