LE DIAGNOSTIC MÉDICAL
S'il est un domaine où les enjeux sont colossaux, c'est bien celui du diagnostic. L'intelligence artificielle apporte son lot d’amélioration dans le domaine du diagnostic avec des taux de faux positifs et de faux négatifs qui pourraient s'en trouver diminués avec une plus grande rapidité et précision des décisions sur des traitements plus appropriés avec une suppression des examens inutiles.
Une détection précoce des maladies
L'IA analyse des quantités très importantes de données médicales (imagerie, résultats de tests de laboratoire, données génétiques…) dans la détection des signes précoces de maladies, permettant ainsi de diagnostiquer ou d'identifier des anomalies ou des signes de maladies et améliorant ainsi les chances de réussite des traitements. Grâce aux algorithmes de l’IA, des détections précoces des signes de maladies rhumatismales peuvent être réalisées grâce aux des radiographies et des scanners par résonance magnétique.
Un diagnostic plus précis
Le nombre d’erreurs de diagnostic pourra être diminué grâce aux analyses de données complexes et aux recommandations basées sur des preuves. Il y aurait également une garantie de traitements plus appropriés.
Une personnalisation des traitements
L'IA peut analyser les données médicales des patients et proposer des plans de traitement personnalisés. En tenant compte des caractéristiques génétiques, des antécédents médicaux et des réponses antérieures aux traitements, les thérapies seront mieux adaptées aux besoins spécifiques de chaque individu.
L’aide à la décision clinique
L’IA peut fournir des informations pertinentes et des suggestions de traitement en temps réel en se basant sur les meilleures pratiques médicales
et les dernières recherches. Cela peut être particulièrement utile lors de décisions complexes.
La télémédecine améliorée
L’intégration de l’IA dans des applications de télémédecine sera une aide précieuse pour l'évaluation à distance des patients. Cela est d'autant plus actuel et particulièrement utile dans les régions éloignées ou mal desservies (déserts médicaux).
La gestion des données de santé
L'organisation et l’analyse des données de santé massives sont le fer de lance de l'IA, ce qui sera extrêmement bénéfique pour les études épidémiologiques, la recherche médicale et la gestion des dossiers médicaux électroniques (voir plus loin le développement des médicaments).
La réduction des coûts de soins de santé
Certains des points cités ci-dessus contribueront à réduire les coûts de soins à long terme grâce à l'amélioration du diagnostic, des erreurs médicales, de l'optimisation des traitements. L'efficacité opérationnelle des établissements de santé, notamment la planification des ressources, l'optimisation des flux de patients et la gestion des stocks de médicaments s'en trouveront améliorées.
LA PRÉVISION DES ÉVÉNEMENTS CARDIOVASCULAIRES
La capacité à prédire les événements cardiovasculaires dans le futur dépendra bien sûr des progrès technologiques, mais également des données disponibles et des méthodes de modélisation utilisées. L’IA a déjà montré son potentiel pour aider à prédire les événements cardiovasculaires en utilisant des modèles d'apprentissage automatique (machine learning1 et deep learning2) qui analysent de grandes quantités de données médicales, notamment des informations sur les patients, les antécédents médicaux, les facteurs de risque et les données de surveillance en temps réel.
Voici quelques points pour la prédiction de certains événements avec le but d’une réelle amélioration de la gestion des soins de santé :
• Les modèles de prédiction du risque. Les IA peuvent être formées pour développer des modèles de prédiction du risque qui estiment la probabilité qu'un individu subisse un événement cardiovasculaire, comme une crise cardiaque ou un AVC, dans un avenir proche. Ces modèles prennent en compte de nombreux facteurs de risque, tels que l'âge, le sexe, les habitudes de vie, les données génétiques, les niveaux de cholestérol, la pression artérielle, etc.
• La surveillance continue. Grâce aux dispositifs médicaux connectés et des capteurs de surveillance, les données des patients peuvent être collectées en temps réel, ce qui permet aux IA un suivi des signes vitaux et un déclenchement des alertes en cas de risque accru d'événements
cardiovasculaires. La surveillance continue. Grâce aux dispositifs médicaux connectés et des capteurs de surveillance, les données des patients peuvent être collectées en temps réel, ce qui permet aux IA un suivi des signes vitaux et un déclenchement des alertes en cas de risque accru d'événements cardiovasculaires.
• Le diagnostic précoce. L'IA peut être formée pour détecter de manière précoce des anomalies dans les données médicales, telles que des signes de la polyarthrite rhumatoïde en analysant des images médicales et les données diagnostiques.
• La personnalisation des traitements. Les médecins peuvent concevoir des plans de traitement personnalisés grâce à l'IA en fonction des caractéristiques individuelles des patients. Les maladies rhumatismales par exemple nécessitent une approche adaptée aux soins, les patients réagissant différemment aux médicaments et thérapies.
• L'efficacité dans la prédiction des événements cardiovasculaires continuera de s'améliorer à mesure que la technologie évoluera et que de nouvelles données seront disponibles. Néanmoins, il est probable que l'IA sera utilisée en complément des compétences cliniques des professionnels de la santé pour améliorer la prévention et le traitement des maladies cardiovasculaires dans le futur.
LE RÔLE ESSENTIEL DE L’IA DANS LA RECHERCHE MÉDICALE
L’analyse massive des données
L'IA analyse rapidement de vastes ensembles de données médicales, y compris des images médicales, des dossiers électroniques de patients, des données génomiques, etc. Elle repère les tendances, les corrélations et les informations importantes dont les chercheurs pourraient manquer.
Le diagnostic assisté
En fournissant des suggestions basées sur l'analyse des données cliniques, l'intelligence artificielle peut aider les médecins dans le processus de diagnostic et contribuer éventuellement à réduire les erreurs de diagnostic et à améliorer la précision (et, pour certains, la décision).
Le développement de médicaments
Le développement et la découverte de médicaments sont l'un des points forts de l'IA : en analysant de grandes bases de données de composés chimiques, en prédisant leur efficacité et en identifiant de nouvelles cibles thérapeutiques. Les laboratoires internationaux (Bayer, BioNTech, Roche, Merck KGaA…) ont d'ailleurs acquis ou investi dans des start-up. On retrouve d’ailleurs ce même intérêt chez les Gafam (Google, Apple, Facebook, Amazon, et Microsoft).
Recherche en biologie et en génomique
L'IA peut accélérer la recherche fondamentale en biologie en modélisant des processus biologiques complexes et en permettant aux chercheurs de comprendre plus rapidement les mécanismes sous jacents de nombreuses maladies.
Prédiction des épidémies et surveillance de la santé publique
Une surveillance en temps réel est réalisée par l'intelligence artificielle grâce aux données de santé publique et permettra de détecter les épidémies potentielles et de réagir rapidement.
Découverte de biomarqueurs
L'IA peut aider à identifier de nouveaux biomarqueurs pour diagnostiquer précocement les maladies ou évaluer la progression de la maladie.
Recherche en sciences sociales et éthiques
L'IA peut également aider à comprendre les aspects sociaux et éthiques de la recherche médicale, notamment en analysant les opinions publiques et en identifiant les questions éthiques potentielles liées à la médecine de précision et à l'utilisation des données médicales. Cependant, il est important de noter qu’elle ne remplacera pas complètement les chercheurs médicaux (ndr : certains disent « pour le moment »), mais elle les assistera dans leurs travaux. De plus, des questions liées à la confidentialité des données, à la sécurité et à l'interprétation des résultats devront être prises en compte pour garantir que l'IA est utilisée de manière éthique et efficace dans la recherche médicale, mais ceci est une autre histoire…
RÉFÉRENCES
▶1. Le machine learning est un sous-ensemble de l'intelligence artificielle qui permet à une machine ou à un système d'apprendre et de s'améliorer automatiquement.
▶2. Deep learning est l'apprentissage profond ou apprentissage en profondeur est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Sources : apmNews, openai, OMS, tic pharma
