L’IA pour les équipements médicaux et la santé numérique

CHAPITRES

Chapitre 5 : Faire évoluer et améliorer l’accès aux services de santé

Lutter contre la pneumonie infantile
Le Machine Learning permet de réaliser des dépistages critiques du cancer dans les zones rurales de l'Inde
Wearable Tech propose une thérapie pour la santé mentale basée sur les données

Chapitre 5

L’IA permet de faire évoluer et améliorer l’accès aux services de santé

Dans les pays en développement, les inégalités entre les services de santé urbains et ruraux constituent un problème sérieux. La pénurie de prestataires de santé qualifiés est une cause majeure du manque de services de santé dans les zones rurales ou de leur qualité médiocre. Certaines études ont démontré que l’application de techniques médicales assistées par ordinateur ou basées sur l’IA pourrait améliorer les résultats des services de santé dans les zones rurales et dans les pays en développement.

Lutter contre la pneumonie infantile

Challenge

La pneumonie est la première cause infectieuse de décès chez les enfants de moins de cinq ans dans le monde. Selon l’UNICEF, la pneumonie a coûté la vie à plus de 880 000 enfants en 2016, dont la plupart étaient âgés de moins de deux ans. Le traitement de la pneumonie n’est pas le problème principal car les antibiotiques, aisément disponibles, s’avèrent très efficaces. Les erreurs de diagnostic constituent le principal problème, en particulier dans les régions où l’accès aux services de santé est très limité.

Solutions

Brian Turyabagye et deux de ses collègues de l’Université Makerere de Kampala, Olivia Koburongo et Besufekad Shifferaw, ont fondé Mama-Ope en 2016 en vue d’élaborer une approche basée sur l’IA pour diagnostiquer la pneumonie chez les enfants.

Ils ont conçu un équipement médical portable sous la forme d’un gilet intelligent doté de cinq microphones fonctionnant comme des stéthoscopes portables afin de mesurer les bruits pulmonaires à partir de plusieurs emplacements sur le torse d’un enfant.
L’équipe de Mama-Ope a développé un algorithme de traitement du signal afin d'offrir le meilleur rendu diagnostique possible à partir des enregistrements audio. L'objectif étant de déterminer à quel moment le crépitement caractéristique de la pneumonie a été enregistré. D’un point de vue heuristique, les bruits pulmonaires distinctifs comprennent des sifflements et des crépitements.
L’équipe et un expert de MathWorks ont analysé les signaux dans MATLAB en utilisant des techniques de traitement du signal et d'analyse par ondelettes. Ils ont identifié des caractéristiques distinctives, présentes dans l’ensemble d'un signal.
Ils ont isolé ces caractéristiques distinctives pour entraîner un algorithme de Machine Learning dans MATLAB afin de prédire les cas où la pneumonie est présente.

Un homme équipe un enfant d’un gilet conçu pour enregistrer les bruits pulmonaires.

Une approche basée sur l’IA pour diagnostiquer la pneumonie chez l‘enfant. (Crédit : RAEng/Brett Eloff)

Voici la représentation d’une pneumonie. (Source audio : thesimtech.com)

Résultats

Le gilet est destiné à un usage dans les cliniques et les écoles éloignées. Même les endroits dépourvus de personnel médical ou d’un ordinateur peuvent utiliser le gilet pour établir un diagnostic rapide. Le gilet se connecte à une application pour téléphone mobile via Bluetooth^®, puis enregistre et analyse les données collectées. Les résultats sont ensuite transmis à un professionnel de la santé qui peut établir un diagnostic éclairé sans avoir à examiner l’enfant en personne. L’UNICEF a déjà exprimé sa volonté d’aider Mama-Ope à apporter sa technologie aux écoles, aux hôpitaux et aux cliniques dans les régions d’Afrique subsaharienne les plus touchées par la pneumonie, comme l’Ouganda, le Kenya, la Tanzanie, l’Éthiopie et le Nigeria.

Lisez l’article

Le Machine Learning permet de réaliser des dépistages critiques du cancer dans les zones rurales de l'Inde

Challenge

Le cancer du col de l’utérus est curable lorsqu’il est détecté suffisamment tôt, mais le diagnostic précoce dépend du dépistage systématique. Dans les zones rurales, notamment dans les pays à revenu faible ou intermédiaire, peu de personnes peuvent accéder à ces soins. Il est essentiel d’améliorer l’accès au dépistage, car les habitants de ces régions représentent 85 % des cas de cancer du col de l’utérus.

Équipement monté sur un spéculum connecté à une application sur tablette.

Cervisense propose en temps réel des résultats de dépistage du cancer du col de l’utérus grâce au Machine Learning. (Crédit : Akshita Sachdeva)

Solution

Akshita Sachdeva et Bonny Dave ont créé une entreprise nommée Satin Healthtech en Inde et ont développé un produit appelé Cervisense. Cervisense se compose d’une petite caméra montée sur un spéculum et d’un programme sur tablette qui permet d'obtenir en temps réel des résultats pour le dépistage du cancer du col de l’utérus. Il s’agit d’un outil de dépistage basé sur l’imagerie optique qui permet d’automatiser et d’améliorer la précision du dépistage du cancer du col de l’utérus. Le programme applique des techniques de Machine Learning sur des images prises par un professionnel de santé pendant l’examen du col de l’utérus de la patiente. Le programme génère alors un score de diagnostic préliminaire permettant d'orienter les recommandations en matière de soins.

Résultats

Satin Healthtech a terminé son prototype Cervisense, et bénéficie de l’intérêt de gynécologues et d’oncologues en Inde. Quelques mois après la création de Satin Healthtech, l’Organisation mondiale de la santé a annoncé la Stratégie mondiale pour l’éradication du cancer du col de l’utérus, appelant à des taux de dépistage plus élevés.

Lisez l’article

Wearable Tech propose une thérapie pour la santé mentale basée sur les données

Challenge

On estime qu’un demi-milliard de personnes dans le monde souffrent d’une maladie mentale. Le coût correspondant, aux États-Unis seulement, atteint 500 milliards de dollars par an. De nombreuses personnes bénéficient de conseils psychologiques, mais des carences demeurent. L’évaluation de la santé mentale est fortement subjective, et l’accent mis sur la prévention est limité. De plus, les diagnostics sont souvent manqués, et il y a peu d’intervention en temps réel.

Solution

L’amélioration de la santé mentale grâce à la surveillance continue des patients offre la possibilité de venir en aide aux patients souffrant de troubles tels que l’anxiété et la dépression. Le programme Feel de Sentio utilise un bracelet et une application sur smartphone qui suit les états émotionnels des utilisateurs, leur propose des exercices mentaux et physiques réguliers et les met en relation avec un thérapeute sur une base hebdomadaire.

Le système utilise des algorithmes de Machine Learning et de traitement du signal développés dans MATLAB pour identifier des motifs dans les données collectées par équipement portable, comme des combinaisons de biomarqueurs susceptibles d’indiquer différents états émotionnels.
Sentio a commencé par s'atteler à la littérature psychologique décrivant quels signaux physiques sont les plus révélateurs de telles ou telles émotions. Les modèles ont ensuite été affinés en demandant aux personnes portant le capteur d’émotions de décrire leurs sentiments. Les modèles ont également classé les données des capteurs. En cas de différence entre les étiquettes associées aux émotions et la description faite par l’utilisateur, les modèles se sont mis à jour pour être plus pertinents la fois suivante.
Ces algorithmes ont été déployés sur des serveurs Amazon^® Web Services (AWS) basés dans le Cloud, qui supervisent l’état émotionnel du patient et renvoie les résultats à l’application.

Capture d’écran MATLAB montrant le traitement du signal en haut à droite et les résultats du traitement du modèle en bas.

Le Machine Learning et le traitement du signal utilisent les données de capteurs physiologiques pour détecter les émotions.

Le Machine Learning et le traitement du signal utilisent les données de capteurs physiologiques pour détecter les émotions.

Résultats

Le système a été testé auprès de centaines d’utilisateurs. Le système s’adapte à chaque utilisateur distinct, et les personnes testées ont rapporté avoir l’impression que le capteur Feel Emotion apprend vraiment à les connaître.

Lisez l’article