Au lieu d’ajouter encore plus de fardeaux aux pratiques médicales, la technologie de l’intelligence artificielle (IA) promet de devenir un outil répondant à une multitude de besoins cliniques.
Par exemple, un nouveau rapport publié dans Réseau JAMA ouvert suggère que la technologie de l’IA peut modifier considérablement la pratique médicale. Des médecins enquêteurs du centre médical Beth Israel Deaconess à Boston, dans le Massachusetts, ont comparé le raisonnement probabiliste d'un chatbot à celui de cliniciens humains. Les résultats suggèrent que l’IA pourrait servir de outil d'aide à la décision clinique utile pour les médecins.
L'auteur principal Adam Rodman, MD, interniste à Beth Israel, a déclaré que les cliniciens ont du mal avec le raisonnement probabiliste, la pratique consistant à prendre des décisions basées sur le calcul des probabilités. Lui et ses collègues ont évalué le raisonnement probabiliste de manière isolée. Ils ont utilisé une enquête nationale publiée précédemment auprès de plus de 550 praticiens effectuant un raisonnement probabiliste sur 5 cas médicaux. L'équipe du Dr Rodman a alimenté le modèle de langage large (LLM) Chat GPT-4 accessible au public avec la même série de cas et a exécuté une invite identique 100 fois pour générer une gamme de réponses.
Le chatbot était chargé d'estimer la probabilité d'un diagnostic donné en fonction des présentations des patients. Ensuite, le programme chatbot a mis à jour ses estimations après des résultats de tests donnés, tels qu'une radiographie thoracique pour une pneumonie, une mammographie pour un cancer du sein, un test d'effort pour une maladie coronarienne et une culture d'urine pour une infection des voies urinaires.
Lorsque les résultats des tests étaient positifs, c’était presque un match nul. Le chatbot était plus précis dans l'établissement de diagnostics que les cliniciens humains dans 2 cas, tout aussi précis dans 2 cas et moins précis dans 1 cas. Cependant, lorsque les tests se sont révélés négatifs, le chatbot a démontré une plus grande précision dans l'établissement des diagnostics que les cliniciens humains dans les 5 cas.
Raisonnement probabiliste
« J'ai été surpris par ces résultats », a déclaré le Dr Rodman. « Les humains font un très mauvais travail en matière de raisonnement probabiliste. Qu'il s'agisse de jouer au poker, d'avoir plus peur de prendre l'avion que de conduire sur l'autoroute, de remplir un tournoi de la NCAA ou, pour mes besoins, de prédire si un patient a ou non une pneumonie. Nous connaissons l’innumératie depuis très longtemps.
Les LLM sont en fait des moteurs de prédiction de mots ou de jetons construits à partir d'énormes quantités de texte humain. Mais ils ont également des propriétés émergentes et peuvent aider aux diagnostics différentiels. « En termes d'utilisation de routine, je pense que les médecins interagiront d'abord avec les LLM dans le cadre de tâches dites « de bureau », en servant de scribe d'IA pendant leur séjour à la clinique, en aidant aux résumés de sortie, en assistant à de nombreuses autres tâches de routine qui peuvent prendre beaucoup de temps dans la journée », a déclaré le Dr Rodman.
Au cours des prochaines années, a déclaré le Dr Rodman, il s’attend à ce que l’IA commence à avoir un impact significatif sur les soins cliniques sous la forme d’une aide à la décision clinique. « J'imagine des LLM qui servent de copilote, recherchant les premiers signes d'erreurs médicales, faisant des suggestions sur des informations supplémentaires à collecter ou des diagnostics supplémentaires à considérer ou même effectuant la première tentative de collecte d'antécédents », a-t-il déclaré.
Au cours de ses études supérieures à l'Université Stanford à Palo Alto, en Californie, Sarah Hooper, PhD, a développé des moyens d'améliorer le traitement automatisé des IRM cardiaques. Aujourd’hui, en tant que chercheuse scientifique au programme d’IA d’imagerie du National Heart, Lung, and Blood Institute, elle travaille à l’intégration de l’apprentissage automatique sur diverses plates-formes d’imagerie.
Le Dr Hooper a déclaré que l'apprentissage automatique peut être inséré à n'importe quel point du pipeline d'imagerie pour rendre les choses plus efficaces. Un programme pourrait faciliter l'automatisation de certaines parties du flux de travail d'analyse afin qu'un radiologue puisse passer 5 minutes à regarder une image au lieu de 30. Tout cela se traduit par des résultats plus rapides pour les patients, selon le Dr Hooper.
Prédire les résultats du cancer
Des chercheurs du centre médical UT Southwestern de Dallas ont développé un modèle d'IA qui analyse la disposition spatiale des cellules dans des échantillons de tissus. Cette approche, détaillée dans Communications naturellesprédit avec précision les résultats des patients atteints de cancer, marquant ainsi une avancée significative dans l'utilisation de l'IA pour le pronostic du cancer et les stratégies de traitement personnalisées.
Les analyses d’échantillons de tissus par les pathologistes prennent du temps et les interprétations peuvent varier selon les pathologistes. De plus, le cerveau humain peut manquer des caractéristiques subtiles présentes dans les images pathologiques qui pourraient fournir des indices importants sur l'état d'un patient. Le nouveau modèle d'IA imite la façon dont les pathologistes lisent les lames de tissus, en commençant par détecter les cellules dans les images et leur position. À partir de là, il identifie les types de cellules ainsi que leur morphologie et leur répartition spatiale, créant ainsi une carte dans laquelle la disposition, la distribution et les interactions des cellules peuvent être analysées.
Les enquêteurs ont appliqué avec succès cet outil à 3 scénarios cliniques à l'aide de diapositives de pathologie. Ils espèrent désormais adopter ce modèle pour rationaliser les mesures préventives ciblées pour les populations à haut risque et optimiser la sélection du traitement pour chaque patient.
Les chercheurs de l’école d’ingénierie des systèmes biologiques et de santé de l’Arizona State University à Tempe utilisent l’IA pour trier des décennies de données médicales afin d’identifier des traitements pour les troubles neurologiques. Ils appliquent également des modèles d’IA pour découvrir comment les cellules cancéreuses se reproduisent et trouver des solutions pour protéger les personnes âgées des chutes potentiellement mortelles.
L'un des chercheurs, le professeur agrégé Bradley Greger, PhD, a déclaré que pour les soins individuels aux patients, l'IA sera utile pour digérer de grandes quantités de données provenant de plusieurs tests, examens physiques et imagerie afin de faciliter les décisions cliniques. « Comme toute technologie, IRM, radiographie, ECG, tests sanguins, etc., l'IA peut contribuer à améliorer les résultats pour les patients en réduisant la morbidité et la mortalité », a déclaré le Dr Greger.
Le Dr Rodman est d’accord et affirme qu’il existe de nombreux exemples dans lesquels l’IA peut contribuer à améliorer les résultats et éventuellement la qualité de vie. «Je peux imaginer plusieurs façons dont les modèles linguistiques peuvent contribuer à lutter contre la morbidité et la mortalité à court et moyen terme. Le premier concerne les erreurs médicales », a-t-il déclaré. « La deuxième consiste à minimiser les erreurs de diagnostic et les retards de diagnostic. Nous disposons déjà de bonnes données expérimentales selon lesquelles les LLM peuvent établir des diagnostics meilleurs que les humains et je mène actuellement des études montrant comment l'utilisation des LLM modifie réellement le comportement humain », a déclaré le Dr Rodman.
Triage des patients
Dans les années à venir, il envisage des essais sur des humains avec l’IA fournissant un « deuxième avis ». L’IA est parfaitement adaptée au tri des patients et à la navigation des patients. Les systèmes de santé ont tout intérêt à trier les patients vers le bon endroit pour des raisons de sécurité et à les diriger vers le bon endroit pour des raisons d’efficacité. Ces systèmes nécessitent actuellement une main d’œuvre considérable.
Les décisions de triage sont des enjeux élevés, il faudrait donc que la barre soit haute pour prouver que les LLM peuvent fonctionner dans ce domaine, a déclaré le Dr Rodman. « Mais c'est ce qui est passionnant. Même imparfaites, leur facilité d’utilisation et leur capacité à s’intégrer dans les flux de travail cliniques pourraient théoriquement permettre aux humains de prendre de meilleures décisions.
