Accueil🇫🇷Chercher

Intelligence artificielle dans la santé

L'intelligence artificielle (IA) dans la santé est l'utilisation d'algorithmes et de logiciels pour s'approcher de la cognition humaine dans l'analyse de données médicales complexes. Plus précisément, l'IA est la capacité des algorithmes informatiques à tirer des conclusions sans intervention humaine directe.

Rayon X d'une main, avec calcul automatique de l'âge osseux par un logiciel informatique.

L'objectif principal des applications des IA dans le domaine de la santé est d'analyser les relations entre, d'une part, la prévention ou les traitements et, d'autre part, l'état de santé des patients[1]. Les programmes d'intelligence artificielle ont été développés et appliqués à des pratiques telles que le processus de diagnostic, l'élaboration d'un protocole de traitement, le développement de médicaments, la médecine personnalisée, les soins des patients ainsi que leur suivi. Les institutions médicales telles que La Clinique Mayo, le Memorial Sloan Kettering Cancer Center[2], le Massachusetts General Hospital[3] ainsi que le National Health Service[4] ont développé des algorithmes d'IA pour leurs services. Les grandes entreprises de technologie comme IBM[5] et Google ainsi que des startups comme Welltok et Ayasdi[6] ont également développé des algorithmes d'IA pour les soins de santé.

Histoire

La recherche menée dans les années 1960 et 1970 a produit le premier programme de résolution de problèmes ou système expert, aussi appelé Dendral[7]. Alors qu'il a été conçu pour des applications dans la chimie organique, celui-ci a jeté les bases de son successeur immédiat, le système Mycin[8], considéré comme l'un des plus importants usages pionniers de l'intelligence artificielle en médecine[9]. Mycin et d'autres systèmes comme Internist-1 et Casnet n'ont cependant pas intégré le quotidien des professionnels[10].

Les années 1980 et 1990 ont vu la prolifération du micro-ordinateur et de nouveaux niveaux de connectivité réseau. Pendant ce temps, les chercheurs et les développeurs ont reconnu le fait que les systèmes d'intelligences artificielles dans le soin doivent être conçus pour pallier l'absence de données parfaites et appuyer l'expertise des médecins[11]. Les approches impliquant la théorie de l'ensemble flou[12], les réseaux Bayésiens[13] et les réseaux de neurones artificiels[14] - [15] ont été appliquées aux systèmes informatiques intelligents dans la santé.

Les progrès technologiques et médicaux survenus au cours de ce demi-siècle, période qui a également permis la croissance des soins de santé liés à des applications de l'IA, comprennent : des améliorations dans la puissance de calcul plus rapides pour la collecte de données et le traitement de données ; une augmentation du volume et de la disponibilité des données liées à la santé des particuliers et des soins de santé liés à des dispositifs ; la croissance du séquençage génomique des bases de données ; la mise en œuvre généralisée des systèmes de gestion de dossiers de santé électroniques ; des améliorations dans le traitement du langage naturel et de la vision par ordinateur, permettant à des machines de reproduire le processus humain de perception ; des améliorations de la précision de la chirurgie robotisée.

Recherche contemporaine

Au delà de l'utilisation de système expert codant les connaissances pour les utiliser sur des scénarios cliniques spécifiques, c'est l’apprentissage automatique qui offre la possibilité d'utiliser de nouveaux types de données dont le volume ou la complexité auraient rendu l'analyse inimaginables[16].

En 2016, l'OMS publie un guide pratique pour mener la recherche et les évaluations concernant les Interventions de santé numérique[17].

Diverses spécialités de la médecine ont montré une augmentation de la recherche concernant l'IA. Cependant la spécialité qui a gagné le plus d'attention est le domaine de la radiologie.

De nouvelles recherches menées par l'entreprise Neuralink se montrent de plus en plus concrètes grâce à une puce qui allierait intelligence humaine et artificielle. La mise en place de cette puce concernerait principalement le milieu médical, afin de traiter l'épilepsie, la dépression ou de permettre aux personnes paralysées d'écrire[18].

Radiologie

Une telle capacité d'interpréter les résultats de l'imagerie peut permettre aux médecins d'être aidé à détecter un changement infime dans une image, ou quelque chose qu'un clinicien peut avoir accidentellement raté. Une telle étude qui a intégré l'IA en radiologie est une étude de Stanford : les résultats montrent que l'algorithme créé peut détecter la pneumonie mieux que les radiologues. La Conférence de la Société de Radiologique de l'Amérique du Nord a orienté une grande partie de sa recherche dans l'utilisation de l'IA dans l'imagerie.

En septembre 2022, le logiciel BoneView de la start-up Gleamer permet aux radiologues de l'hôpital Paris Armand Trousseau de détecter correctement les fractures chez les personnes âgées et jeunes. La capacité à détecter les fractures était de 73,3 % et est passée à 82,8 % avec l'intelligence artificielle[19].

Psychiatrie

En psychiatrie, les applications de l'IA sont encore dans une phase pilote. Les domaines où les preuves s'élargissent rapidement comprennent les chatbots, des agents conversationnels qui imitent le comportement humain et qui ont été étudiés pour l'anxiété et la dépression[20].

Parmi les défis à relever, on peut citer le fait que de nombreuses applications dans ce domaine sont développées et proposées par des entreprises privées, comme le dépistage des idées suicidaires mis en place par Facebook en 2017[21]. Ces applications en dehors du système de santé soulèvent diverses questions professionnelles, éthiques et réglementaires[22].

Cancérologie

En 2018, une équipe de chercheurs français est parvenus à entraîner un ordinateur à analyser des images pour évaluer l’efficacité d’une immunothérapie[23].

La télésanté

L'augmentation de la Télémédecine a montré la montée possible de demande en IA. La capacité de surveiller les patients (à l'aide de l'IA) peut permettre la communication de l'information aux médecins, si la présence d'une maladie est décelée. L'utilisation d'un dispositif porté par une personne peut permettre une surveillance constante du patient et déceler des changements difficilement décelables[24].

Les maladies chroniques et l'éducation thérapeutique

En 2017, des études montrent que l'utilisation de capteurs connectés est utile pour les personnes qui ont déjà choisi de changer de comportement ; l'aide des soignants reste essentielle pour amener une personne à modifier son comportement dans le cadre d'une action d'éducation thérapeutique[25]. Il existe des évidences scientifiques pour le diabète et les maladies coronariennes concernant les bénéfices des applications qui permettent aux patients d’introduire leurs données pour la gestion de leur affection. Cependant la majorité de ces patients souffrent généralement de plusieurs maladies chroniques. ce qui réduit l'avantage de l'utilisation ces applications[25].

L'industrie

Le subséquente motif de grande base la santé les sociétés de la fusion avec d'autres sociétés de produits de santé, en permettant une meilleure santé de l'accessibilité des données. Plus de données sur la santé pourraient permettre plus de la mise en œuvre d'algorithmes d'IA. Les exemples suivants sont des exemples de grandes entreprises qui ont contribué à des algorithmes d'IA pour une utilisation dans les soins de santé.

IBM

IBM Watson Oncologie est en cours de développement au Memorial Sloan Kettering Cancer Center et de la Clinique de Cleveland. IBM travaille également avec CVS de la Santé sur l'IA des applications dans les maladies chroniques, le traitement et avec Johnson & Johnson sur l'analyse d'articles scientifiques à trouver de nouvelles connexions pour le développement de médicaments.

Microsoft

Microsoft's Hanovre projet, en partenariat avec l'Oregon Health & Science University'Chevalier de l'Institut du Cancer, analyse de la recherche médicale pour prédire le plus efficace du cancer de la drogue options de traitement pour les patients. d'Autres projets incluent l'analyse de l'image médicale de la progression tumorale et le développement programmable de cellules.

Google

La plateforme DeepMind de Google est utilisée par le National Health Service du Royaume-Uni pour détecter certains risques pour la santé à travers les données collectées via une application mobile. Un deuxième projet avec le NHS implique une analyse des images médicales recueillies sur les patients pour développer des algorithmes de vision par ordinateur permettant de détecter les tissus cancéreux.

Intel

Le fonds de capital-risque d'Intel, Intel Capital, a récemment investi dans la start-up Lumiata qui utilise l'IA pour identifier les patients à risque et développer des options de soins[26].

Start-ups

Predictive Medical Technologies utilise des données d'une unité de soins intensifs pour identifier les patients susceptibles de subir des incidents cardiaques. Modernizing Medicine utilise les connaissances recueillies auprès de professionnels de la santé ainsi que les données des patients pour recommander des traitements[27]. Nimblr.ia utilise un dialogueur d'IA pour automatiser la programmation et la confirmation des patients, tout en raccordant ces informations avec les dossiers patients électroniques[28]. AZmed aide les radiologues et urgentistes dans leur diagnostic en radiographie standard à l'aide d'algorithmes d'apprentissage profond[29].

Autres

Des applications digitales pour consultants comme Babylone (basée au Royaume-Uni) utilisent l'IA pour donner des consultations médicales[30] fondées sur les antécédents médicaux personnels et la connaissance médicale. Les utilisateurs décrivent leurs symptômes à l'application, qui utilise la reconnaissance vocale pour comparer les informations à une base de données des maladies. Babylone donne alors une recommandation, en tenant compte de l'historique médical de l'utilisateur.

RĂ©gulation

Bien que la recherche sur l'utilisation de l'IA dans les soins de santé vise à montrer son efficacité dans l'amélioration des résultats pour le patient avant son adoption plus large, son utilisation peut néanmoins introduire plusieurs nouveaux types de problématiques pour les patients et les fournisseurs de soins de santé, comme les biais algorithmiques, les questions liées aux ordonnances de « ne pas réanimer », et d'autres questions de moralité des machines. Ces défis liés à l'usage clinique de l'IA posent la question d'un potentiel besoin de réglementation[31].

Actuellement, il n'existe pas de réglementation spécifique à l'utilisation de l'IA dans les soins de santé. En , la Maison-Blanche a annoncé son intention d'héberger une série d'ateliers et de formations dispensés par le sous-comité de Machine Learning et de l'Intelligence Artificielle du National Science and Technology Council (NSTC)[32]. En , le groupe a publié La Recherche Nationale sur l'Intelligence Artificielle et le Plan Stratégique de Développement, présentant ses propositions prioritaires pour la R&D dans l'IA, recherche financée par le gouvernement fédéral. Le rapport propose un plan stratégique de R&D pour le sous-champ des technologies de l'information de la santé en plein développement[33].

En 2019, en France, la Haute Autorité en Santé (HAS), publie ses recommandations sur l'évaluation et la certification des dispositifs médicaux connectés (DMC). Ce guide concerne les applications disposant d'une fonction de télécommunication éventuellement liée à une intelligence artificielle et utilisés à des fins médicales par le patient[34]. L'étude de la HAS conclut que « les méthodologies d’études se rapportant à un dispositif médical connecté ne se distinguent pas de celles des autres dispositifs médicaux ». Néanmoins les dispositifs médicaux connectés se distinguent par leur rapidité d’évolution, l'impact sur les patients et sur l’organisation des soins et l'interaction avec d’autres systèmes[35].

La France crée le Health Data Hub afin de simplifier et encadrer l'utilisation des données de santé. Le , le Health Data Hub lance un premier appel à projets qui donne lieu à la sélection de 10 projets lauréats le .

En Europe, le Règlement Général sur la Protection des Données (RGPD), concernant les patients au sein de l'UE, détaille les exigences en matière de consentement pour l'utilisation des données des patients lorsque des entités collectent des données de santé des patients.

Investissement gouvernemental

Les investissements du gouvernement nord américain dans les initiatives de santé qui s'appuient sur l'IA[32] est d'un montant d'un milliard de dollars pour le Cancer Moonshot[36] ainsi qu'un investissement de 215 millions de dollars proposé dans la Precision Medicine Initiative[37].

Notes et références
  1. E. Coiera, Guide to medical informatics, the internet and telemedicine Chapman & Hall, Ltd., 1997
  2. B. Power, Artificial Intelligence Is Almost Ready for Business , 19 mars 2015
  3. Manisha Bahl, « High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision », Radiology, vol. 286, no 3,‎ , p. 810–818 (PMID 29039725, DOI 10.1148/radiol.2017170549, lire en ligne)
  4. S. Bloch-Budzier, NHS using Google technology to treat patients , 22 novembre 2016
  5. L. Lorenzetti, Here's How IBM Watson Health is Transforming the Health Care Industry , 5 avril 2016
  6. CB Insights Artificial Intelligence report, 28 juin 2016,
  7. R. K. Lindsay, B. G. Buchanan, E. A. Feigenbaum, J. Lederberg, Dendral: a case study of the first expert system for scientific hypothesis formation, Artificial intelligence, 61(2), 1993 : 209-261.
  8. W. J. Clancey, E. H. Shortliffe, Readings in medical artificial intelligence: the first decade, Addison-Wesley Longman Publishing Co., Inc., 1984
  9. G. Bruce, B. G. Buchanan, E. D. Shortliffe, Rule-based expert systems: the Mycin experiments of the Stanford Heuristic Programming Project, 1984
  10. R. O. Duda, E. H. Shortliffe, Expert systems research, Science, 220(4594), 1983 : 261-268.
  11. R. A. Miller, Medical diagnostic decision support systems—past, present, and future, Journal of the American Medical Informatics Association, 1(1), 1994 : 8-27.
  12. KP. Adlassnig, A fuzzy logical model of' computer-assisted medical diagnosis, Methods Inf Med 1980, 19:14
  13. J. A. Reggia, Y. Peng, Modeling diagnostic reasoning: a summary of parsimonious covering theory, Computer methods and programs in biomedicine, 25(2), 1987 : 125-134.
  14. W. G. Baxt, Use of an artificial neural network for the diagnosis of myocardial infarction, Annals of Internal Medicine, 115(11), 1991 : 843-848.
  15. P. S. Maclin, J. Dempsey, J. Brooks, J. Rand, Using neural networks to diagnose cancer, Journal of Medical Systems, 15(1), 1991 : 11-19.
  16. Ziad Obermeyer et Ezekiel J. Emanuel, « Predicting the Future — Big Data, Machine Learning, and Clinical Medicine », The New England journal of medicine, vol. 375, no 13,‎ , p. 1216–1219 (ISSN 0028-4793, PMID 27682033, PMCID PMC5070532, DOI 10.1056/NEJMp1606181, lire en ligne, consulté le )
  17. (en) OMS, Monitoring and Evaluating Digital Health Interventions A practical guide to conducting research and assessment, OMS, (lire en ligne)
  18. « Elon Musk et sa start-up Neuralink dévoilent leurs premiers résultats pour connecter le cerveau à l'ordinateur », sur usine-digitale.fr (consulté le )
  19. ALICE VITARD, « Le logiciel de détection automatisée des fractures de Gleamer fait ses preuves en pédiatrie », sur L'Usine Digitale, (consulté le )
  20. Russell Fulmer, Angela Joerin, Breanna Gentile et Lysanne Lakerink, « Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial », JMIR Mental Health, vol. 5, no 4,‎ (ISSN 2368-7959, PMID 30545815, PMCID 6315222, DOI 10.2196/mental.9782, lire en ligne, consulté le )
  21. (en-US) Glen Coppersmith, Ryan Leary, Patrick Crutchley et Alex Fine, « Natural Language Processing of Social Media as Screening for Suicide Risk », Biomedical Informatics Insights, vol. 10,‎ , p. 117822261879286 (ISSN 1178-2226 et 1178-2226, PMID 30158822, PMCID PMC6111391, DOI 10.1177/1178222618792860, lire en ligne, consulté le )
  22. (en) Matthias Brunn, Albert Diefenbacher, Philippe Courtet et William Genieys, « The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry », Academic Psychiatry,‎ (ISSN 1545-7230, DOI 10.1007/s40596-020-01243-8, lire en ligne, consulté le )
  23. « Cancer : quand l’intelligence artificielle prédit l’efficacité d’un traitement », sur Le Parisien
  24. « Santé | Télémédecine : Une option dans le monde, une obligation en Tunisie », sur La Presse, (consulté le )
  25. Marc-André Raetzo, « Informatique et médecine », sur www.revmed.ch, Revue Médicale Suisse, (consulté le )
  26. Dan Primack, Intel Capital Cancels $1 Billion Portfolio Sale, Fortune, 26 mai 2016 .
  27. Daniela Hernandez, Artificial Intelligence Is Now Telling Doctors How to Treat You, Wired, 2 juin 2014 .
  28. Cas Proffitt, Top 10 Artificially Intelligent Personal Assistants, Disruptor Daily, 8 mars 2017
  29. (en) Guillaume Reichert, Ali Bellamine, Matthieu Fontaine et Beatrice Naipeanu, « How Can a Deep Learning Algorithm Improve Fracture Detection on X-rays in the Emergency Room? », Journal of Imaging, vol. 7, no 7,‎ , p. 105 (DOI 10.3390/jimaging7070105, lire en ligne, consulté le )
  30. Simon Parkin, « The Artificially Intelligent Doctor Will Hear You Now », sur MIT Technology Review, (consulté le )
  31. « Artificial Intelligence in Health Care: Applications and Legal Issues », Petrie-Flom Center,‎ (lire en ligne, consulté le )
  32. Ed. Felten, Preparing for the Future of Artificial Intelligence, Whitehouse.gov, 3 mai 2016 .
  33. The National Artificial Intelligence Research and Development Strategic Plan, Office of Science and Technology Policy, 16 octobre 2016 .
  34. « La HAS publie un guide sur l'évaluation des dispositifs médicaux connectés », sur www.ticpharma.com (consulté le )
  35. « Haute Autorité de Santé - Spécificités méthodologiques d’évaluation clinique des Dispositifs Médicaux Connectés », sur www.has-sante.fr (consulté le )
  36. (en) Office of the Press Secretary, At Cancer Moonshot Summit, Vice President Biden Announces New Actions to Accelerate Progress Toward Ending Cancer As We Know It, Whitehouse.gov, 28 juin 2016 .
  37. (en) Office of the Press Secretary, President Obama's Precision Medicine Initiative, Whitehouse.gov, 30 janvier 2015 .

Articles connexes

Lien externe
Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.