IA & Santé
IA & Santé
par Pascal Staccini, Expert "IA & Santé"
L'intelligence artificielle (IA) révolutionne de nombreux aspects de notre société, et le domaine de la santé n'échappe pas à cette transformation numérique. Depuis plusieurs décennies, les chercheurs et les professionnels de santé explorent les potentialités de l'IA pour améliorer la qualité des soins, optimiser les processus de santé et repousser les frontières de la recherche médicale. L'IA, définie comme la capacité d'un système informatique à effectuer des tâches qui nécessitent normalement l'intelligence humaine, englobe un large éventail de technologies, notamment l'apprentissage automatique, le traitement du langage naturel et la vision par ordinateur.
L'intégration de l'IA dans le secteur de la santé promet de nombreux avantages, tels que l'amélioration de la précision diagnostique, la personnalisation des traitements, l'optimisation des ressources de santé et l'autonomisation des patients. Cependant, cette intégration soulève également des questions importantes concernant la confidentialité des données, l'éthique, la responsabilité et l'équité dans l'accès aux soins.
Cet article explore les principaux apports de l'intelligence artificielle au monde de la santé, en couvrant un large éventail d'applications, des soins curatifs à la prévention, en passant par la recherche médicale, l'enseignement des professionnels de santé, la gestion des patients et de leur santé. Pour chaque domaine, il examine les réalisations, les enjeux, les défis et les obstacles à surmonter, qu'ils soient d'ordre technique, organisationnel, économique, juridique ou éthique.
I. L'IA dans les soins curatifs
A) Aide au diagnostic
L'un des domaines où l'IA a montré un potentiel considérable est l'aide au diagnostic médical. Les systèmes d'IA, en particulier ceux basés sur l'apprentissage profond, ont démontré des performances impressionnantes dans l'analyse d'images médicales, souvent égalant ou surpassant les experts humains dans certaines tâches spécifiques.
Dans le domaine de l'imagerie médicale, l'IA s'est montrée particulièrement efficace pour la détection précoce de certaines pathologies. En 2017 déjà, en dermatologie, Esteva et al. [1] montrait qu'un réseau neuronal convolutif pouvait classifier les lésions cutanées avec une précision comparable à celle des dermatologues certifiés. Plus tard, en 2019, une méta-analyse réalisée par Liu et al. [2] a conclu que les algorithmes d'apprentissage profond étaient capables de détecter le cancer du sein sur des mammographies avec une sensibilité et une spécificité comparables à celles des radiologues expérimentés.
L'interprétation des données cliniques est un autre domaine où l'IA apporte une valeur ajoutée significative. Les systèmes d'IA peuvent analyser rapidement de grandes quantités de données provenant de diverses sources (dossiers médicaux électroniques, résultats de laboratoire, données génomiques) pour aider les médecins à formuler des diagnostics plus précis. Une analyse menée par Coulter et al. [3] a mis en évidence que les algorithmes d'intelligence artificielle ont augmenté l'efficacité et la précision de l'imagerie cardiovasculaire échocardiographique, ce qui a donné lieu à des techniques d'imagerie échocardiographique plus complexes et à une utilisation élargie chez les non-cardiologues. De façon comparable, l’utilisation du deep learning améliore la sensibilité de l’interprétation des électrocardiogrammes de routine dans le cadre de la détection de l’hypertrophie cardiaque [4].
B) Personnalisation des traitements
La médecine de précision, qui vise à adapter les traitements aux caractéristiques individuelles de chaque patient, bénéficie grandement des avancées de l'IA. Les algorithmes d'apprentissage automatique peuvent intégrer des données génomiques, des biomarqueurs et des informations cliniques pour prédire la réponse d'un patient à un traitement spécifique.
Dans le domaine de l'oncologie, par exemple, l'IA a permis d'optimiser les protocoles thérapeutiques en identifiant les patients susceptibles de mieux répondre à certains traitements. Une étude de Zhu [5] a montré que les modèles d'apprentissage automatique pouvaient prédire avec précision la réponse à l'immunothérapie chez les patients atteints de cancer, en se basant sur des données cliniques et génomiques.
L'IA contribue également à l'optimisation des dosages médicamenteux. Des algorithmes peuvent ajuster les doses en temps réel en fonction de la réponse du patient, minimisant ainsi les effets secondaires tout en maximisant l'efficacité du traitement. Cette approche s'est révélée particulièrement prometteuse dans la gestion de maladies chroniques comme le diabète, où des systèmes d'IA peuvent ajuster les doses d'insuline en fonction des niveaux de glucose en continu. Cette démarche connue sous le nom de « jumeau numérique » connait aujourd’hui un intérêt croissant [6].
C) Chirurgie assistée par IA
Dans le domaine chirurgical, l'IA apporte des innovations significatives, tant au niveau de la planification préopératoire que de l'assistance peropératoire. Les systèmes de planification chirurgicale basés sur l'IA peuvent analyser les images médicales préopératoires pour créer des modèles 3D détaillés, aidant les chirurgiens à visualiser les structures anatomiques complexes et à planifier l'intervention de manière plus précise.
Les systèmes robotiques assistés par IA, tels que le système da Vinci, permettent d'effectuer des interventions mini-invasives avec une précision accrue. Les systèmes actuels basés sur l'IA intègrent des fonctionnalités telles que la reconnaissance d'images, le contrôle de mouvement et le retour haptique, permettant l'analyse en temps réel des images du champ opératoire et l'optimisation des mouvements des instruments pour les chirurgiens. L’intégration de l’IA améliore la précision et la sécurité de l’intervention, et réduit la fatigue du chirurgien. [7].
L'IA contribue également à l'amélioration de la formation des chirurgiens. Des simulateurs chirurgicaux basés sur l'IA peuvent fournir des environnements d'entraînement réalistes et des évaluations objectives des performances, permettant aux chirurgiens d'acquérir et de maintenir leurs compétences sans risque pour les patients.
D) Enjeux et défis
L'intégration de l'IA dans la pratique clinique soulève plusieurs défis importants. L'un des principaux enjeux est la fiabilité et la reproductibilité des résultats de l'IA dans des contextes cliniques réels. Une revue systématique menée par Nagendran et al. [8] a mis en évidence que de nombreuses études sur les performances de l'IA en diagnostic médical présentaient des biais méthodologiques et manquaient de validation externe.
La question de la responsabilité en cas d'erreur diagnostique ou thérapeutique impliquant un système d'IA reste également un sujet de débat. Il est crucial de définir clairement les rôles et les responsabilités des professionnels de santé et des systèmes d'IA dans le processus de prise de décision clinique.
L'adoption de l'IA dans la pratique clinique nécessite également une adaptation des workflows existants et une formation adéquate des professionnels de santé. Une étude de Choudhury et al. [9] a souligné l'importance de l'acceptabilité et de la confiance des médecins envers les systèmes d'IA pour une intégration réussie dans la pratique quotidienne.
Enfin, les questions éthiques liées à l'utilisation de l'IA en santé, notamment en termes de protection de la vie privée, de consentement éclairé et d'équité d'accès aux soins, doivent être abordées de manière proactive pour garantir une utilisation responsable et bénéfique de ces technologies.
II. L'IA dans la prévention et le dépistage
A) Prédiction des risques de santé
L'intelligence artificielle joue un rôle croissant dans la prédiction des risques de santé, permettant une approche plus proactive et personnalisée de la prévention. Les modèles prédictifs basés sur l'IA peuvent analyser une multitude de données, incluant les antécédents médicaux, les données génomiques, les facteurs environnementaux et les habitudes de vie, pour identifier les individus à risque de développer certaines maladies.
Une méta-analyse réalisée par Krittanawong et al. [10] a montré l'efficacité des algorithmes d'apprentissage automatique dans la prédiction des maladies cardiovasculaires. Ces modèles ont surpassé les scores de risque traditionnels en intégrant des données plus complexes et en identifiant des interactions subtiles entre les facteurs de risque.
Dans le domaine de la santé mentale, l'IA a montré un potentiel prometteur pour la détection précoce des troubles psychiatriques. Une revue systématique de Bzdok et al. [11] a mis en évidence l'utilité des techniques d'apprentissage automatique pour prédire l'apparition de la dépression et de la schizophrénie, en se basant sur des données neuroimagerie et comportementales.
L'identification des populations à risque grâce à l'IA permet aux systèmes de santé de cibler plus efficacement leurs interventions préventives, optimisant ainsi l'allocation des ressources et améliorant potentiellement les résultats de santé à l'échelle de la population.
B) Amélioration des programmes de dépistage
L'IA transforme également les programmes de dépistage en les rendant plus précis et plus efficients. Les algorithmes d'apprentissage profond ont montré des performances remarquables dans l'analyse des images de dépistage, réduisant ainsi le taux de faux positifs et de faux négatifs.
Dans le domaine du dépistage du cancer du poumon, une étude de Ardila et al. [12] démontrait qu'un modèle d'IA pouvait détecter les nodules pulmonaires malins sur les tomodensitométries à faible dose avec une précision supérieure à celle des radiologues expérimentés. Cette amélioration de la précision pourrait conduire à une détection plus précoce du cancer et à une réduction des procédures invasives inutiles. Ces objectifs sont poursuivis dans le projet LungScreenCT conduit par Lopez [13].
L'optimisation des protocoles de dépistage est un autre domaine où l'IA apporte une valeur ajoutée significative. Les algorithmes peuvent analyser les données historiques pour identifier les intervalles de dépistage optimaux pour différents groupes de population, améliorant ainsi l'efficacité des programmes tout en réduisant les coûts et les risques liés au sur-dépistage.
C) Promotion de la santé et changements comportementaux
L'IA joue un rôle croissant dans la promotion de la santé et l'encouragement des changements comportementaux positifs. Les applications de santé personnalisées, alimentées par l'IA, peuvent fournir des recommandations adaptées à chaque individu en fonction de ses objectifs de santé, de son mode de vie et de son environnement.
Une revue systématique menée par Milne-Ives et al. [14] a examiné l'efficacité des applications de santé mobile utilisant l'IA pour la gestion des maladies chroniques et la promotion de modes de vie sains. Les résultats ont montré que ces applications pouvaient améliorer significativement l'adhésion aux traitements, l'activité physique et les habitudes alimentaires.
Le coaching virtuel basé sur l'IA représente une autre approche innovante pour promouvoir des comportements de santé positifs. Ces systèmes peuvent fournir un soutien continu et personnalisé, adaptant leurs interventions en fonction des progrès et des défis spécifiques de chaque utilisateur. Par exemple, Stein et Brooks [15] ont démontré l'efficacité d'un coach virtuel basé sur l'IA pour améliorer l'activité physique et réduire le stress chez les adultes sédentaires.
D) Enjeux et défis
Concernant les applications de l'IA dans le domaine de la prévention et du dépistage, plusieurs défis importants doivent être adressés. La protection des données personnelles est une préoccupation majeure, étant donné la nature sensible des informations de santé utilisées par ces systèmes. Il est crucial de mettre en place des cadres réglementaires robustes pour garantir la confidentialité et la sécurité des données tout en permettant leur utilisation pour améliorer la santé publique.
L'équité dans l'accès aux technologies préventives basées sur l'IA est un autre enjeu crucial. Il existe un risque que ces innovations accentuent les disparités de santé existantes si elles ne sont pas accessibles à toutes les couches de la population. Une étude de Adamson et Smith [16] a souligné l'importance de concevoir des systèmes d'IA inclusifs, qui prennent en compte la diversité des populations et des contextes socioculturels.
La validation et la régulation des applications de santé basées sur l'IA représentent également un défi majeur. Avec la prolifération rapide de ces applications, il est essentiel de mettre en place des processus d'évaluation rigoureux pour garantir leur efficacité et leur sécurité. Une revue systématique de Challen et al. [17] a mis en évidence le besoin de standards robustes pour l'évaluation et la validation des technologies d'IA en santé.
Enfin, l'adoption de ces technologies par les professionnels de santé et le grand public nécessite des efforts d'éducation et de sensibilisation. Il est important de développer la littératie numérique en santé pour permettre une utilisation éclairée et efficace des outils de prévention basés sur l'IA.
III. L'IA dans la recherche médicale
A) Découverte de médicaments
L'intelligence artificielle révolutionne le processus de découverte et de développement de médicaments, en le rendant plus rapide, plus efficace et potentiellement moins coûteux. Les algorithmes d'IA, en particulier ceux basés sur l'apprentissage profond, sont capables d'analyser des quantités massives de données biologiques et chimiques pour identifier de nouvelles cibles thérapeutiques et prédire l'efficacité des molécules candidates.
Le criblage virtuel de molécules est l'un des domaines où l'IA a montré des résultats particulièrement prometteurs. Une revue systématique de Vamathevan et al. [18] a mis en évidence comment les techniques d'apprentissage automatique peuvent accélérer significativement le processus de criblage, en identifiant des composés potentiellement actifs parmi des millions de molécules. Cette approche permet non seulement de réduire le temps et les coûts associés au criblage traditionnel, mais aussi d'explorer un espace chimique beaucoup plus vaste. Lors du dernier Microsoft AI Tour qui s’est tenu à Paris le 22 octobre 2024, Bonnie Kruft souligne comment les modèles d'IA générative accélèrent cette recherche d’un facteur 1500.
L'IA joue également un rôle crucial dans la prédiction des interactions médicamenteuses et des effets secondaires potentiels. Une étude de Zitnik et al. [19] a démontré l'efficacité d'un modèle d'apprentissage profond pour prédire les interactions médicament-médicament avec une précision supérieure aux méthodes traditionnelles. Cette capacité pourrait contribuer à améliorer la sécurité des médicaments et à optimiser les stratégies de polypharmacologie.
B) Analyse des données génomiques
L'explosion des données génomiques a ouvert de nouvelles perspectives pour la médecine personnalisée, et l'IA s'avère être un outil puissant pour extraire des informations significatives de ces vastes ensembles de données. Les algorithmes d'apprentissage automatique sont capables d'identifier des motifs complexes dans les données génomiques, contribuant ainsi à la découverte de nouveaux biomarqueurs et à une meilleure compréhension des mécanismes des maladies.
Une méta-analyse réalisée par Zou et al. [20] a montré comment les techniques d'apprentissage profond peuvent améliorer significativement la précision de la prédiction des variants génétiques pathogènes. Cette avancée a des implications importantes pour le diagnostic génétique et la médecine de précision, permettant une identification plus rapide et plus précise des mutations associées à diverses maladies.
Dans le domaine de l'oncologie, l'IA a permis des progrès significatifs dans l'analyse des profils génomiques des tumeurs. Une étude de Capper et al. [21] a démontré l'efficacité d'un algorithme d'apprentissage automatique pour classifier les tumeurs cérébrales en se basant sur leurs profils de méthylation de l'ADN, surpassant les méthodes de diagnostic traditionnelles en termes de précision et de reproductibilité.
C) Optimisation des essais cliniques
L'IA transforme également la conduite des essais cliniques, en les rendant plus efficaces et plus ciblés. Les algorithmes d'apprentissage automatique peuvent analyser de grandes quantités de données pour optimiser la sélection des participants, prédire les résultats probables et identifier les sous-groupes de patients susceptibles de bénéficier le plus d'un traitement donné.
Une revue systématique de Harrer et al. [22] a mis en évidence comment l'IA peut améliorer différents aspects des essais cliniques, de la conception de l'étude à l'analyse des résultats. Par exemple, les techniques d'IA peuvent aider à identifier les critères d'inclusion et d'exclusion optimaux, réduisant ainsi le taux d'échec des essais et accélérant le recrutement des participants.
L'analyse en temps réel des résultats des essais cliniques est un autre domaine où l'IA apporte une valeur ajoutée significative. Les algorithmes peuvent détecter rapidement les tendances émergentes et les signaux de sécurité, permettant des ajustements précoces du protocole si nécessaire. Cette approche adaptive, facilitée par l'IA, pourrait conduire à des essais cliniques plus courts et plus informatifs.
D) Enjeux et défis
Malgré ces avancées prometteuses, l'utilisation de l'IA dans la recherche médicale soulève plusieurs défis importants. L'interprétabilité des modèles d'IA, en particulier ceux basés sur l'apprentissage profond, reste une préoccupation majeure. Une étude de Rudin [23] a souligné l'importance de développer des modèles d'IA interprétables dans le domaine médical, où la compréhension du raisonnement derrière une prédiction est cruciale pour la confiance et l'adoption clinique.
Les biais dans les données de recherche représentent un autre défi significatif. Si les ensembles de données utilisés pour entraîner les modèles d'IA ne sont pas représentatifs de la diversité de la population, cela peut conduire à des résultats biaisés et potentiellement discriminatoires. Une revue de Gianfrancesco et al [24] a mis en évidence l'importance de prendre en compte les biais potentiels dans le développement et l'application des algorithmes d'IA en santé.
La validation et la reproductibilité des résultats obtenus par l'IA dans la recherche médicale sont également des enjeux cruciaux. Il est essentiel de développer des standards rigoureux pour l'évaluation et la validation des modèles d'IA, ainsi que des pratiques de partage de données et de code pour faciliter la reproduction des résultats.
Enfin, les questions éthiques liées à l'utilisation de l'IA dans la recherche médicale, notamment en termes de confidentialité des données et de consentement éclairé, doivent être abordées de manière proactive. Il est crucial de développer des cadres éthiques robustes pour guider l'utilisation responsable de l'IA dans ce domaine sensible.
IV. L'IA dans l'enseignement et la formation continue en santé
A) Simulations et réalité virtuelle
L'intelligence artificielle, combinée aux technologies de réalité virtuelle (RV) et de réalité augmentée (RA), transforme radicalement l'enseignement et la formation des professionnels de santé. Ces technologies offrent des opportunités uniques pour une formation pratique sans risque pour les patients, permettant aux apprenants de s'exercer dans des environnements simulés hautement réalistes.
Une méta-analyse réalisée par Kyaw et al. [25] a démontré l'efficacité des simulations basées sur la RV pour l'amélioration des compétences cliniques et chirurgicales. Les auteurs ont constaté que la formation par RV était associée à une amélioration significative des performances par rapport aux méthodes d'enseignement traditionnelles, en particulier pour les procédures complexes ou à haut risque.
L'IA joue un rôle crucial dans ces simulations en créant des scénarios cliniques complexes et dynamiques qui s'adaptent en temps réel aux actions de l'apprenant. Par exemple, une étude de As’ad [26] a montré comment les systèmes de simulation basés sur l'IA peuvent générer des cas cliniques variés et réalistes, offrant ainsi une expérience d'apprentissage plus riche et plus personnalisée.
B) Systèmes de tutorat intelligent
Les systèmes de tutorat intelligent (STI) basés sur l'IA représentent une avancée significative dans l'apprentissage personnalisé en santé. Ces systèmes peuvent analyser les performances de l'apprenant, identifier ses points forts et ses faiblesses, et adapter le contenu et le rythme de l'enseignement en conséquence.
Une revue systématique de Chan et Zary ([27] a mis en évidence le potentiel des STI pour améliorer l'efficacité de l'apprentissage médical. Les auteurs ont constaté que ces systèmes pouvaient non seulement améliorer les résultats d'apprentissage, mais aussi augmenter la motivation et l'engagement des étudiants.
L'évaluation continue des compétences est un autre domaine où l'IA apporte une valeur ajoutée significative. Les algorithmes d'apprentissage automatique peuvent analyser de manière objective et détaillée les performances des apprenants, fournissant ainsi un feedback précis et personnalisé. Une étude de Dias et al. [28] a démontré l'efficacité d'un système d'évaluation basé sur l'IA pour l'acquisition de compétences chirurgicales, offrant des insights plus précis que les méthodes d'évaluation traditionnelles.
C) Accès à l'information médicale à jour
L'IA révolutionne également la manière dont les professionnels de santé accèdent et interagissent avec l'information médicale. Les assistants virtuels basés sur l'IA peuvent analyser rapidement de vastes corpus de littérature médicale pour fournir des réponses précises et à jour aux questions cliniques.
Une étude de Mostafapour et al. [29] a montré comment un système de question-réponse basé sur l'IA pouvait améliorer significativement l'efficacité de la recherche d'information médicale par rapport aux méthodes de recherche traditionnelles. Ces systèmes peuvent non seulement accélérer l'accès à l'information pertinente, mais aussi aider à synthétiser les dernières avancées médicales de manière plus efficace.
L'IA joue également un rôle crucial dans la personnalisation des ressources d'apprentissage. Les algorithmes de recommandation peuvent suggérer des contenus éducatifs pertinents en fonction des intérêts, des besoins et du niveau de compétence de chaque professionnel de santé, facilitant ainsi la formation continue et le maintien des compétences.
D) Enjeux et défis
Malgré ces avancées prometteuses, l'intégration de l'IA dans l'enseignement et la formation en santé soulève plusieurs défis importants. L'adaptation des curricula pour intégrer efficacement ces nouvelles technologies est un enjeu majeur. Un guide de Masters [30] a souligné l'importance de repenser les programmes d'études médicales pour préparer adéquatement les futurs professionnels de santé à travailler avec et aux côtés des systèmes d'IA.
Le développement des compétences numériques des formateurs est un autre défi crucial. Il est essentiel que les enseignants et les formateurs en santé soient eux-mêmes formés à l'utilisation et à l'intégration efficace des technologies d'IA dans leur pratique pédagogique. Une revue de Wartman et Combs [31] a mis en évidence le besoin de programmes de développement professionnel spécifiques pour les éducateurs en santé dans le domaine de l'IA.
L'évaluation de l'efficacité à long terme des méthodes d'enseignement basées sur l'IA reste un défi important. Bien que les études à court terme montrent des résultats prometteurs, des recherches supplémentaires sont nécessaires pour évaluer l'impact de ces technologies sur les compétences cliniques et les résultats pour les patients à long terme.
Enfin, les questions éthiques liées à l'utilisation de l'IA dans l'éducation en santé, notamment en termes de protection de la vie privée des apprenants et d'équité d'accès à ces technologies, doivent être abordées de manière proactive. Il est crucial de développer des cadres éthiques robustes pour guider l'utilisation responsable de l'IA dans ce domaine sensible.
V. L'IA pour les patients et la gestion de la santé
A) Autonomisation des patients
L'intelligence artificielle joue un rôle croissant dans l'autonomisation des patients, en leur fournissant des outils pour mieux comprendre et gérer leur santé. Les applications d'auto-surveillance basées sur l'IA permettent aux patients de suivre divers paramètres de santé et de recevoir des insights personnalisés.
Une revue systématique de Contreras et Vehi [32] a montré l'efficacité des systèmes d'aide à la décision basés sur l'IA pour l'autogestion du diabète. Ces systèmes peuvent analyser les données de glycémie, d'alimentation et d'activité physique pour fournir des recommandations personnalisées, améliorant ainsi le contrôle glycémique et la qualité de vie des patients.
L'IA facilite également l'aide à la décision pour les patients, en leur fournissant des informations adaptées à leur situation. Par exemple, une étude de Bibault et al. [33] a démontré l'utilité d'un assistant virtuel basé sur l'IA pour aider les patients atteints de cancer à prendre des décisions éclairées concernant leur traitement. Ce type d'outil peut améliorer la compréhension des options thérapeutiques et faciliter la prise de décision partagée entre patients et professionnels de santé.
B) Amélioration de l'expérience patient
Les chatbots et assistants virtuels alimentés par l'IA transforment l'interaction des patients avec le système de santé. Ces outils peuvent fournir un support 24/7, répondre aux questions courantes, et orienter les patients vers les ressources appropriées.
Une méta-analyse de Laranjo et al. [34] a mis en évidence l'efficacité des chatbots dans l'amélioration de l'engagement des patients et la gestion des maladies chroniques. Les auteurs ont constaté que ces outils pouvaient améliorer l'adhésion au traitement, réduire l'anxiété liée à la santé et améliorer la satisfaction globale des patients.
La personnalisation des informations de santé est un autre domaine où l'IA apporte une valeur ajoutée significative. Les algorithmes d'apprentissage automatique peuvent analyser les données du patient pour fournir des informations sur mesure, adaptées à son niveau de compréhension, ses préférences et son contexte culturel. Une étude de Bickmore et al. [35] a montré comment un agent conversationnel personnalisé pouvait améliorer la littératie en santé chez les patients à faible niveau d'alphabétisation.
C) Gestion des maladies chroniques
L'IA révolutionne la gestion des maladies chroniques en permettant un suivi à distance plus efficace et personnalisé. Les systèmes de télésurveillance basés sur l'IA peuvent analyser en continu les données des patients pour détecter précocement les signes de détérioration.
Une étude de Hinrichs et al. [36] a montré l'efficacité des interventions de santé mobile basées sur l'IA pour la gestion de l’insuffisance cardiaque. Un modèle d'apprentissage automatique a permis une analyse automatisée des données de surveillance à distance entrantes et une identification fiable des patients présentant un risque d'hospitalisation pour insuffisance cardiaque nécessitant une intervention médicale immédiate.
La prédiction des exacerbations dans les maladies chroniques est un autre domaine où l'IA montre un potentiel significatif. Par exemple, une étude de Glyde et al. [37] a démontré la capacité des algorithmes d'apprentissage profond à prédire les exacerbations de la BPCO plusieurs jours à l'avance, en se basant sur des données de capteurs portables. Cette capacité prédictive pourrait permettre des interventions précoces et réduire les hospitalisations.
D) Enjeux et défis
L'utilisation de l'IA pour l'autonomisation des patients et la gestion de la santé soulève plusieurs défis importants. La fracture numérique reste une préoccupation majeure, avec le risque que les innovations basées sur l'IA accentuent les inégalités de santé existantes. Une étude de Weiss et al. [38] a souligné l'importance de concevoir des solutions d'IA inclusives, qui prennent en compte les besoins des populations vulnérables et à faible littératie numérique.
L'adhésion et l'engagement à long terme avec les outils de santé basés sur l'IA représentent un autre défi significatif. Bien que ces outils montrent souvent des résultats prometteurs à court terme, maintenir l'engagement des utilisateurs sur le long terme reste problématique. Une revue de Perski et al. [39] a identifié plusieurs facteurs influençant l'engagement avec les interventions de santé numérique, soulignant la nécessité de stratégies de conception centrées sur l'utilisateur.
La fiabilité et la sécurité des outils d'IA destinés aux patients sont des préoccupations cruciales. Il est essentiel de mettre en place des processus rigoureux de validation et de surveillance continue pour garantir que ces outils fournissent des informations et des recommandations précises et sûres. Fraser et al. [40] a mis en évidence le besoin de standards plus stricts pour l'évaluation des applications de santé basées sur l'IA.
Enfin, les questions de confidentialité et de protection des données personnelles restent au cœur des préoccupations. La nature sensible des données de santé nécessite des mesures de sécurité robustes et des politiques de gouvernance des données transparentes. Il est crucial de trouver un équilibre entre l'utilisation des données pour améliorer les soins et la protection de la vie privée des patients.
Conclusion
L'intelligence artificielle transforme profondément le paysage de la santé, offrant des opportunités sans précédent pour améliorer la qualité des soins, optimiser les ressources et autonomiser les patients. Des soins curatifs à la prévention, de la gestion des patients à celle de leur santé, de la recherche médicale à l'enseignement, l'IA apporte des innovations significatives dans tous les aspects du système de santé.
Cependant, l'intégration de l'IA dans le domaine de la santé soulève également des défis importants. Les questions d'éthique, de confidentialité, d'équité et de responsabilité doivent être abordées de manière proactive pour garantir une utilisation responsable et bénéfique de ces technologies. Il est crucial de développer des cadres réglementaires adaptés, des standards robustes pour l'évaluation et la validation des systèmes d'IA, et des programmes de formation pour préparer adéquatement les professionnels de santé à travailler avec et aux côtés de l'IA.
Les limites actuelles des grands modèles de langage (LLM) en santé incluent plusieurs aspects critiques
- Précision inégale : Les LLM peuvent fournir des réponses incorrectes ou incomplètes, ce qui peut entraîner des erreurs dans le diagnostic ou le traitement.
- Hallucinations : Les LLM peuvent générer des informations qui semblent plausibles mais qui sont en réalité incorrectes ou non fondées, posant des risques pour la sécurité des patients.
- Biais : Les modèles peuvent refléter des biais présents dans les données d'entraînement, ce qui peut affecter l'équité et l'objectivité des soins de santé.
- Confidentialité et sécurité des données : L’utilisation des LLM dans les soins de santé soulève des préoccupations concernant la protection des données personnelles et la confidentialité des patients.
- Exigences de sollicitation : Les LLM nécessitent souvent des instructions spécifiques pour générer des réponses précises, ce qui peut limiter leur utilité dans des situations cliniques complexes.
Limites explicatives
Les LLM manquent souvent de transparence dans leur processus de décision, rendant difficile l'explication de leurs recommandations ou diagnostics.
L'avenir de l’usage de l’IA en santé réside vraisemblablement dans une approche hybride, où l'intelligence artificielle augmente et complète l'expertise humaine plutôt que de la remplacer. En adoptant une approche centrée sur l'humain dans le développement et l'application de l'IA en santé, nous pouvons exploiter pleinement le potentiel de ces technologies pour améliorer la santé et le bien-être des populations.
__________________
Références bibliographiques
[1] Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118.
[2] Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, Mahendiran T, Moraes G, Shamdas M, Kern C, Ledsam JR, Schmid MK, Balaskas K, Topol EJ, Bachmann LM, Keane PA, Denniston AK. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit Health. 2019 Oct;1(6):e271-e297.
[3] Coulter SA, Campos K. Artificial Intelligence in Echocardiography. Tex Heart Inst J. 2022 Mar 1;49(2):e217671.
[4] Zhu H, Jiang Y, Cheng C, Wang J, Zhu L, Chen X, Feng K, Yang X. Four-Channel ECG as a Single Source for Early Diagnosis of Cardiac Hypertrophy and Dilation — A Deep Learning Approach. NEJM AI. 2024;1(10).
[5] Zhu AX, Abbas AR, de Galarreta MR, Guan Y, Lu S, Koeppen H, Zhang W, Hsu CH, He AR, Ryoo BY, Yau T, Kaseb AO, Burgoyne AM, Dayyani F, Spahn J, Verret W, Finn RS, Toh HC, Lujambio A, Wang Y. Molecular correlates of clinical response and resistance to atezolizumab in combination with bevacizumab in advanced hepatocellular carcinoma. Nat Med. 2022 Aug;28(8):1599-1611.
[6] Zhang K, Zhou HY, Baptista-Hon DT, Gao Y, Liu X, Oermann E, Xu S, Jin S, Zhang J, Sun Z, Yin Y, Razmi RM, Loupy A, Beck S, Qu J, Wu J; International Consortium of Digital Twins in Medicine. Concepts and applications of digital twins in healthcare and medicine. Patterns (N Y). 2024 Aug 9;5(8):101028.
[7] Iftikhar M, Saqib M, Zareen M, Mumtaz H. Artificial intelligence: revolutionizing robotic surgery: review. Ann Med Surg (Lond). 2024 Aug 1;86(9):5401-5409.
[8] Nagendran M, Chen Y, Lovejoy CA, Gordon AC, Komorowski M, Harvey H, Topol EJ, Ioannidis JPA, Collins GS, Maruthappu M. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ. 2020 Mar 25;368:m689.
[9] Choudhury A, Asan O. Role of Artificial Intelligence in Patient Safety Outcomes: Systematic Literature Review. JMIR Med Inform. 2020 Jul 24;8(7):e18599.
[10] Krittanawong C, Johnson KW, Rosenson RS, Wang Z, Aydar M, Baber U, Min JK, Tang WHW, Halperin JL, Narayan SM. Deep learning for cardiovascular medicine: a practical primer. Eur Heart J. 2019 Jul 1;40(25):2058-2073.
[11] Bzdok D, Meyer-Lindenberg A. Machine Learning for Precision Psychiatry: Opportunities and Challenges. Biol Psychiatry Cogn Neurosci Neuroimaging. 2018 Mar;3(3):223-230.
[12] Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, Tse D, Etemadi M, Ye W, Corrado G, Naidich DP, Shetty S. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019 Jun;25(6):954-961.
[13] Lopez S. IA et cancer du poumon. 2022. https://www.youtube.com/watch?v=uKgk3DtpLwQ (dernière visite le 8 octobre 2024).
[14] Milne-Ives M, de Cock C, Lim E, Shehadeh MH, de Pennington N, Mole G, Normando E, Meinert E. The Effectiveness of Artificial Intelligence Conversational Agents in Health Care: Systematic Review. J Med Internet Res. 2020 Oct 22;22(10):e20346.
[15] Stein N, Brooks K. A Fully Automated Conversational Artificial Intelligence for Weight Loss: Longitudinal Observational Study Among Overweight and Obese Adults. JMIR Diabetes. 2017 Nov 1;2(2):e28.
[16] Adamson AS, Smith A. Machine Learning and Health Care Disparities in Dermatology. JAMA Dermatol. 2018 Nov 1;154(11):1247-1248.
[17] Challen R, Denny J, Pitt M, Gompels L, Edwards T, Tsaneva-Atanasova K. Artificial intelligence, bias and clinical safety. BMJ Qual Saf. 2019 Mar;28(3):231-237.
[18] Vamathevan J, Clark D, Czodrowski P, Dunham I, Ferran E, Lee G, Li B, Madabhushi A, Shah P, Spitzer M, Zhao S. Applications of machine learning in drug discovery and development. Nat Rev Drug Discov. 2019 Jun;18(6):463-477.
[19] Zitnik M, Agrawal M, Leskovec J. Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics. 2018 Jul 1;34(13):i457-i466.
[20] Zou J, Huss M, Abid A, Mohammadi P, Torkamani A, Telenti A. A primer on deep learning in genomics. Nat Genet. 2019 Jan;51(1):12-18.
[21] Capper D, Jones DTW, Sill M, Hovestadt V, Schrimpf D, Sturm D, et al. DNA methylation-based classification of central nervous system tumours. Nature. 2018 Mar 22;555(7697):469-474.
[22] Harrer S, Shah P, Antony B, Hu J. Artificial Intelligence for Clinical Trial Design. Trends Pharmacol Sci. 2019 Aug;40(8):577-591.
[23] Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215.
[24] Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data. JAMA Intern Med. 2018 Nov 1;178(11):1544-1547.
[25] Kyaw BM, Saxena N, Posadzki P, Vseteckova J, Nikolaou CK, George PP, Divakar U, Masiello I, Kononowicz AA, Zary N, Tudor Car L. Virtual Reality for Health Professions Education: Systematic Review and Meta-Analysis by the Digital Health Education Collaboration. J Med Internet Res. 2019 Jan 22;21(1):e12959.
[26] As'ad M. Intelligent Tutoring Systems, Generative Artificial Intelligence (AI), and Healthcare Agents: A Proof of Concept and Dual-Layer Approach. Cureus. 2024 Sep 19;16(9):e69710.
[27] Chan KS, Zary N. Applications and Challenges of Implementing Artificial Intelligence in Medical Education: Integrative Review. JMIR Med Educ. 2019 Jun 15;5(1):e13930.
[28] Dias RD, Gupta A, Yule SJ. Using Machine Learning to Assess Physician Competence: A Systematic Review. Acad Med. 2019 Mar;94(3):427-439.
[29] Mostafapour M, Fortier JH, Pacheco K, Murray H, Garber G. Evaluating Literature Reviews Conducted by Humans Versus ChatGPT: Comparative Study. JMIR AI. 2024 Aug 19;3:e56537.
[30] Masters K, Herrmann-Werner A, Festl-Wietek T, Taylor D. Preparing for Artificial General Intelligence (AGI) in Health Professions Education: AMEE Guide No. 172. Med Teach. 2024 Oct;46(10):1258-1271.
[31] Wartman SA, Combs CD. Medical Education Must Move From the Information Age to the Age of Artificial Intelligence. Acad Med. 2018 Aug;93(8):1107-1109.
[32] Contreras I, Vehi J. Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. J Med Internet Res. 2018 May 30;20(5):e10775.
[33] Bibault JE, Chaix B, Nectoux P, Pienkowsky A, Guillemasse A, Brouard B. Healthcare ex Machina: Are conversational agents ready for prime time in oncology? Clin Transl Radiat Oncol. 2019 Apr 4;16:55-59.
[34] Laranjo L, Dunn AG, Tong HL, Kocaballi AB, Chen J, Bashir R, Surian D, Gallego B, Magrabi F, Lau AYS, Coiera E. Conversational agents in healthcare: a systematic review. J Am Med Inform Assoc. 2018 Sep 1;25(9):1248-1258.
[35] Bickmore TW, Utami D, Matsuyama R, Paasche-Orlow MK. Improving Access to Online Health Information With Conversational Agents: A Randomized Controlled Experiment. J Med Internet Res. 2016 Jan 4;18(1):e1.
[36] Hinrichs N, Meyer A, Koehler K, Kaas T, Hiddemann M, Spethmann S, Balzer F, Eickhoff C, Falk V, Hindricks G, Dagres N, Koehler F. Artificial intelligence based real-time prediction of imminent heart failure hospitalisation in patients undergoing non-invasive telemedicine. Front Cardiovasc Med. 2024 Sep 20;11:1457995.
[37] Glyde HMG, Morgan C, Wilkinson TMA, Nabney IT, Dodd JW. Remote Patient Monitoring and Machine Learning in Acute Exacerbations of Chronic Obstructive Pulmonary Disease: Dual Systematic Literature Review and Narrative Synthesis. J Med Internet Res. 2024 Sep 9;26:e52143.
[38] Weiss D, Rydland HT, Øversveen E, Jensen MR, Solhaug S, Krokstad S. Innovative technologies and social inequalities in health: A scoping review of the literature. PLoS One. 2018 Apr 3;13(4):e0195447.
[39] Perski O, Blandford A, West R, Michie S. Conceptualising engagement with digital behaviour change interventions: a systematic review using principles from critical interpretive synthesis. Transl Behav Med. 2017 Jun;7(2):254-267.
[40] Fraser H, Coiera E, Wong D. Safety of patient-facing digital symptom checkers. Lancet. 2018 Nov 24;392(10161):2263-2264.
