Chapitre 2
L’IA pour permettre un diagnostic précoce et supporter les décisions cliniques
Un récent rapport a montré que les erreurs médicales étaient la troisième cause de décès aux États-Unis [2]. La plupart de ces erreurs sont liées au diagnostic (diagnostics erronés et diagnostics jamais donnés aux patients, par exemple). Aux États-Unis, une part très importante des patients sont confrontés au moins une fois au cours de leur vie à un diagnostic erroné, et 10 % de ces cas sont à l’origine d’un décès [2] [3].
Grâce à l’IA, le traitement des informations et les processus de prise de décision deviennent plus efficaces et moins sujets aux erreurs. Les exemples ci-dessous montrent comment les équipements basés sur l’IA peuvent permettre aux prestataires de santé d'offrir de meilleurs diagnostics directement à partir d’images médicales, de signaux physiologiques ou des dossiers médicaux des patients.
Une carte temps réel du cœur et de son activité électrique basée sur l’IA permet aux médecins de déterminer la nécessite d'une intervention chirurgicale pour fibrillation atriale. (Crédit : Corify Care)
Challenge
Près d’un adulte sur trois âgé de plus de 65 ans chute chaque année, ce qui fait de la chute la principale cause de blessures mortelles et non mortelles.
Solution
Kinesis Health Technologies a développé un dispositif appelé QTUG™ (Quantitative Timed Up and Go), une méthode objective et quantitative pour le dépistage des risques de chute, des fragilités et des réductions de mobilité à l’aide de capteurs inertiels sans fil placés sur la jambe du patient. Le produit finalisé utilise des modèles basés sur l’IA développés avec MATLAB pour calculer une estimation du risque de chute (FRE) et un indice de fragilité (FI).
- Lors d’un test du QTUG, un patient est équipé de deux capteurs inertiels sans fil, un sur chaque jambe en dessous du genou. Chaque capteur inclut un accéléromètre et un gyroscope.
- Des filtres numériques conçus à l’aide de l’application Filter Designer de Signal Processing Toolbox™ sont utilisés pour supprimer le bruit haute fréquence dans les données collectées par ces capteurs.
- L’équipe a utilisé Statistics and Machine Learning Toolbox™ pour sélectionner le sous-ensemble des caractéristiques ayant la valeur prédictive la plus élevée et valider un modèle de classificateur discriminant régularisé implémenté dans MATLAB.
- L’équipe a entraîné ses modèles avec des données d’essais cliniques collectées sur des milliers de patients et évalué les résultats produits par un classificateur combiné.
- Pour mettre à jour les coefficients du classificateur en se basant sur un nouveau jeu de données de référence, les ingénieurs les exportent depuis MATLAB vers un fichier de ressources qui est ensuite intégré à leur build.
Métriques quantitatives d’un patient. (Crédit : Kinesis Health Technologies)
Résultats
À ce jour, les médecins cliniciens de huit pays ont utilisé le dispositif QTUG pour évaluer plus de 20 000 patients. L’équipe continue d’améliorer le jeu de données de référence à mesure qu’elle reçoit de nouveaux résultats. L’équipe estime que son temps de développement a été accéléré par trois par rapport au développement en Java®, ce qui a permis de réduire le délai de commercialisation et d’enregistrement en tant que dispositif de Classe I auprès de la FDA aux Etats-Unis, de Santé Canada et de l'Agence européenne des médicaments (AEM).
Challenge
La fibrillation atriale est une arythmie cardiaque courante. Si les médicaments ou chocs électriques ne permettent pas de résoudre les arythmies, les patients peuvent avoir besoin d’une ablation cardiaque chirurgicale pour interrompre les signaux problématiques et ramener le rythme cardiaque à la normale. Le taux de réussite de cette procédure est de 50 % seulement, car l’identification des tissues cardiaques endommagés constitue un véritable défi pour les médecins.
Solution
Corify Care a développé un dispositif appelé Acorys® pour offrir une carte en temps quasi réel du cœur et de son activité électrique en se basant sur des mesures non invasives des signaux à partir de la poitrine et du dos du patient. Le fait de connaître la géométrie du torse et de savoir quels signaux électriques émanent de quelle partie du torse permet de travailler à contresens pour reconstituer l’activité cardiaque.
L’équipe de Corify a utilisé MATLAB pour le Machine Learning et le traitement du signal pour le filtrage du bruit, produisant ainsi des données plus propres qui ont été soumises à un traitement du signal plus poussé afin de reconstituer avec précision l’activité cardiaque.
Elle a entraîné ses algorithmes de reconstruction avec des données issus de patients et de modèles mathématiques, ce qui permet à Acorys de convertir les signaux électriques de n’importe quel patient en une carte du cœur.
Prototype préliminaire qui lit les signaux provenant du torse d’une personne et les analyse pour générer une carte du cœur. (Crédit : Corify Care)
Résultats
L’objectif de l’équipe est d’obtenir une marque de Conformité Européenne (CE) de l’Agence européenne des médicaments (AEM) et l’approbation de la Food and Drug Administration (FDA). En proposant un aperçu détaillé et non invasif du cœur et de son activité électrique, Acorys peut permettre d’éviter les procédures d’ablation inutiles, faisant ainsi gagner du temps et réaliser des économies aux patients et au système de santé.
Challenge
Les patients atteints de cataracte ont une vision floue en raison de l’opacification qui se forme dans le cristallin de l’œil. Des millions de personnes doivent recourir à la chirurgie de la cataracte, qui consiste à retirer le cristallin naturel et à le remplacer par un cristallin artificiel. Il est difficile pour les ophtalmologues de prédire avec précision la puissance du cristallin artificiel nécessaire pour un résultat postopératoire optimal.
Solution
Un médecin ophtalmologue nommé Warren Hill a travaillé avec l’équipe de MathWorks pour créer une nouvelle fonction de base radiale visant à prédire la puissance optique calculée du cristallin artificiel.
- Cette fonction de base radiale a été développée en utilisant MATLAB pour entraîner un modèle basé sur l’IA à partir de mesures détaillées provenant des yeux de milliers de patients avant l’intervention chirurgicale à l’aide d’un biomètre Lenstar.
- Les données d’apprentissage comprenaient également les résultats postopératoires observés.
- L’équipe a exporté le modèle dans Simulink, un environnement graphique pour le design, la simulation et le test de systèmes. Elle a ensuite généré du code à partir du modèle et l’a déployé sur le dispositif Lenstar.
Calculateur de la fonction de base radiale pour cristallin artificiel développé dans MATLAB.
Ce système est connu sous le nom de calculateur Hill-RBF. Une version en ligne de ce calculateur a également été publiée simultanément, l’objectif étant d’en permettre l’accès par les ophtalmologues du monde entier.
Résultats
Lancé en 2016, le calculateur a été rapidement adopté par la communauté mondiale des ophtalmologues. En utilisant des versions mises à jour et affinées du calculateur qui intègrent un jeu de données beaucoup plus important, les chirurgiens obtiennent aujourd’hui des résultats avec une précision de 90 % (±0,5 D), comparé au taux de réussite de 78 % obtenu avec les méthodes plus anciennes et traditionnelles couramment utilisées. Pour remettre tout cela en perspective, avec environ 28 millions d’interventions chirurgicales réalisées chaque année dans le monde entier, une amélioration de 12 % des résultats se traduirait par 3,4 millions d’interventions chirurgicales réussies supplémentaires.
Références
[2] Makary, Martin A et Michael Daniel. « Medical Error—the Third Leading Cause of Death in the US. » BMJ, le 3 mai 2016. https://doi.org/10.1136/bmj.i2139.
[3] Balogh, Erin, Bryan T. Miller et John Ball. Improving Diagnosis in Health Care. Washington, DC : The National Academies Press, 2015.
Vous pouvez également sélectionner un site web dans la liste suivante :
Amériques
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)
Asie-Pacifique
- Australia (English)
- India (English)
- New Zealand (English)
- 中国
- 日本Japanese (日本語)
- 한국Korean (한국어)