“Les ordinateurs de la prochaine génération seront tellement intelligents que nous aurons de la chance s'ils nous acceptent auprès d'eux comme animaux de compagnie.” Marvin Minsky
“C'est l'essence de la sombre prophétie de Kubrick : à mesure que nous nous servons des ordinateurs comme intermédiaires de notre compréhension du monde, c'est notre propre intelligence qui devient semblable à l'intelligence artificielle.” Nicholas Carr
L' intelligence artificielle (IA) a fait son apparition au Congrès de la Société Français de Médecine Vasculaire (SFMV) de Toulouse en Septembre 2022 mais ce n'était que les prémices.
Aujourd'hui l'IA s'emballe et nous concerne toutes et tous y compris en Médecine Vasculaire
“C'est l'essence de la sombre prophétie de Kubrick : à mesure que nous nous servons des ordinateurs comme intermédiaires de notre compréhension du monde, c'est notre propre intelligence qui devient semblable à l'intelligence artificielle.” Nicholas Carr
L' intelligence artificielle (IA) a fait son apparition au Congrès de la Société Français de Médecine Vasculaire (SFMV) de Toulouse en Septembre 2022 mais ce n'était que les prémices.
Aujourd'hui l'IA s'emballe et nous concerne toutes et tous y compris en Médecine Vasculaire
Les médecins ne vont pas se transformer en concepteur d'IA, tout au moins pour la plupart
Chacun son job. Par contre en médecine on sait ce que l'IA peut nous amener., alors aucune hésitation avant que la dégerlant IA ne nous sbmerge......Il faut faire AVEC ert non SANS !
Chacun son job. Par contre en médecine on sait ce que l'IA peut nous amener., alors aucune hésitation avant que la dégerlant IA ne nous sbmerge......Il faut faire AVEC ert non SANS !
L'idéal serait de trouver un accord entre des écoles d'ingénieurs IA et la médecine vasculaire notamment la SFMV et ainsi de créer un groupe de travail IA.mixte.
De plus on peut s'associer avec des sociétés médicales qui travaillent déjà sur le sujet.
On a besoin de quoi : de données en quantité importante, lesquelles sont présentent dans les études, les PHRC etc.
Quelques exemples :
Quelques exemples :
- Mettre en place un algorithme de la récidive de la MTEV et du risque hémorragique
- Recherche d'un cancer au décours MTEV sans facteur déclenchant
- Mettre en place des critères prédictifs de survenue de complications évolutives des endo prothèses aortiques
- Mettre en place pour les AAA des critères prédictifs de croissance des AAA
CALL TO ACTION : SFM/IA !
Pour être plus précis , voici trois exemples récents
Pour être plus précis , voici trois exemples récents
EXEMPLE 1
Shohat N, Ludwick L, Sherman MB, Fillingham Y, Parvizi J. Using machine learning to predict venous thromboembolism and major bleeding events following total joint arthroplasty. Sci Rep. 2023 Feb 7;13(1):2197. doi: 10.1038/s41598-022-26032-1. PMID: 36750656; PMCID: PMC9905066.
Utilisation de l'apprentissage automatique pour prédire la thromboembolie veineuse et les événements hémorragiques majeurs après une arthroplastie totale de l'articulation
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9905066/
Shohat N, Ludwick L, Sherman MB, Fillingham Y, Parvizi J. Using machine learning to predict venous thromboembolism and major bleeding events following total joint arthroplasty. Sci Rep. 2023 Feb 7;13(1):2197. doi: 10.1038/s41598-022-26032-1. PMID: 36750656; PMCID: PMC9905066.
Utilisation de l'apprentissage automatique pour prédire la thromboembolie veineuse et les événements hémorragiques majeurs après une arthroplastie totale de l'articulation
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9905066/
Article libre d'accés
La thromboembolie veineuse (TEV) et les hémorragies majeures (MBE) sont des complications redoutées qui sont influencées par de nombreux facteurs liés à l'hôte et à la chirurgie. En utilisant l'apprentissage automatique sur des données contemporaines, notre objectif était de développer et de valider un algorithme pratique et facile à utiliser pour prédire le risque de MTEV et de MBE après une arthroplastie totale de l'articulation (TJA). Il s'agissait d'une étude institutionnelle unique portant sur 35 963 prothèses totales de hanche (PTH) et de genou (PTG) opérées entre 2009 et 2020. Cinquante-six variables liées à la démographie, aux comorbidités, aux facteurs opératoires ainsi qu'à la chimioprophylaxie ont été incluses dans l'analyse. . La cohorte a été divisée en ensembles d'entraînement (70 %) et de test (30 %). Quatre modèles d'apprentissage automatique ont été développés pour chacun des résultats évalués (VTE et MBE). Des modèles ont été créés pour tous les ETEV regroupés ainsi que pour les embolies pulmonaires (EP) et les thromboses veineuses profondes (TVP) individuellement afin d'examiner la nécessité d'algorithmes distincts. Pour chaque résultat, le modèle qui fonctionnait le mieux à l'aide d'une validation croisée répétée a été choisi pour le développement de l'algorithme, et les incidences prédites par rapport aux incidences observées ont été évaluées. Sur les 35 963 patients inclus, 308 (0,86 %) ont développé une MTEV (170 EP, 176 TVP) et 293 (0,81 %) ont développé une MBE. Des modèles distincts ont été créés pour l'EP et la TVP car ils se sont avérés plus performants que la prédiction de la VTE. Les arbres boostant le gradient avaient les performances les plus élevées pour PE (AUC-ROC 0,774 [SD 0,055]) et DVT (AUC-ROC 0,759 [SD 0,039]). Pour MBE, l'analyse de l'opérateur de sélection et de retrait le moins absolu (Lasso) avait l'AUC la plus élevée (AUC-ROC 0,803 [SD 0,035]). Un algorithme qui fournit la probabilité d'EP, de TVP et de MBE pour chaque patient spécifique a été créé. Les 3 algorithmes avaient une bonne capacité discriminatoire et la validation croisée a montré des probabilités similaires comparant les échecs prédits et observés indiquant une grande précision du modèle. Nous avons développé et validé avec succès un algorithme facile à utiliser qui prédit avec précision VTE et MBE après TJA. Cet outil peut être utilisé dans la prise de décision clinique quotidienne et le conseil aux patients.
EXEMPLE 2
Mora D, Mateo J, Nieto JA, Bikdeli B, Yamashita Y, Barco S, Jimenez D, Demelo-Rodriguez P, Rosa V, Yoo HHB, Sadeghipour P, Monreal M; and the Registro Informatizado de Enfermedad TromboEmbólica (RIETE) Investigators. Machine learning to predict major bleeding during anticoagulation for venous thromboembolism: possibilities and limitations. Br J Haematol. 2023 Mar 21. doi: 10.1111/bjh.18737. Epub ahead of print. PMID: 36942630.
Apprentissage automatique pour prédire les saignements majeurs pendant l'anticoagulation pour la thromboembolie veineuse : possibilités et limites
https://onlinelibrary.wiley.com/doi/10.1111/bjh.18737
Article libre d'accés
Les outils prédictifs pour les saignements majeurs (MB) utilisant l'apprentissage automatique (ML) pourraient être avantageux par rapport aux méthodes traditionnelles. Nous avons utilisé les données du Registro Informatizado de Enfermedad TromboEmbólica (RIETE) pour développer des algorithmes de ML afin d'identifier les patients atteints de thromboembolie veineuse (TEV) à risque accru de MB au cours des 3 premiers mois d'anticoagulation. Un total de 55 variables de base ont été utilisées comme prédicteurs. De nouvelles données collectées de manière prospective auprès du RIETE ont été utilisées pour une validation plus poussée. Les scores RIETE et VTE-BLEED ont été utilisés pour les comparaisons. La validation externe a été effectuée avec la base de données COMMAND-VTE. L'apprentissage a été réalisé avec les données de 49 587 patients, dont 873 (1,8%) avaient MB. La méthode ML la plus performante était XGBoost. Dans la cohorte de validation prospective, la sensibilité, la spécificité, la valeur prédictive positive et le score F1 étaient respectivement de 33,2 %, 93 %, 10 % et 15,4 %. La valeur F1 pour les scores RIETE et VTE-BLEED était respectivement de 8,6 % et 6,4 %. Dans la cohorte de validation externe, les mesures étaient respectivement de 10,3 %, 87,6 %, 3,5 % et 5,2 %. Dans cette cohorte, la valeur F1 pour le score RIETE était de 17,3 % et pour le score VTE-BLEED de 9,75 %. La performance de l'algorithme XGBoost était meilleure que celle des scores RIETE et VTE-BLEED uniquement dans la cohorte de validation prospective, mais pas dans la cohorte de validation externe.
EXEMPLE 3
Jin S, Qin D, Liang BS, Zhang LC, Wei XX, Wang YJ, Zhuang B, Zhang T, Yang ZP, Cao YW, Jin SL, Yang P, Jiang B, Rao BQ, Shi HP, Lu Q. Machine learning predicts cancer-associated deep vein thrombosis using clinically available variables. Int J Med Inform. 2022 May;161:104733. doi: 10.1016/j.ijmedinf.2022.104733. Epub 2022 Mar 5. PMID: 35299099.
L'apprentissage automatique prédit la thrombose veineuse profonde associée au cancer à l'aide de variables cliniquement disponibles
https://www.sciencedirect.com/science/article/abs/pii/S1386505622000478?via%3Dihub
La thromboembolie veineuse (TEV) et les hémorragies majeures (MBE) sont des complications redoutées qui sont influencées par de nombreux facteurs liés à l'hôte et à la chirurgie. En utilisant l'apprentissage automatique sur des données contemporaines, notre objectif était de développer et de valider un algorithme pratique et facile à utiliser pour prédire le risque de MTEV et de MBE après une arthroplastie totale de l'articulation (TJA). Il s'agissait d'une étude institutionnelle unique portant sur 35 963 prothèses totales de hanche (PTH) et de genou (PTG) opérées entre 2009 et 2020. Cinquante-six variables liées à la démographie, aux comorbidités, aux facteurs opératoires ainsi qu'à la chimioprophylaxie ont été incluses dans l'analyse. . La cohorte a été divisée en ensembles d'entraînement (70 %) et de test (30 %). Quatre modèles d'apprentissage automatique ont été développés pour chacun des résultats évalués (VTE et MBE). Des modèles ont été créés pour tous les ETEV regroupés ainsi que pour les embolies pulmonaires (EP) et les thromboses veineuses profondes (TVP) individuellement afin d'examiner la nécessité d'algorithmes distincts. Pour chaque résultat, le modèle qui fonctionnait le mieux à l'aide d'une validation croisée répétée a été choisi pour le développement de l'algorithme, et les incidences prédites par rapport aux incidences observées ont été évaluées. Sur les 35 963 patients inclus, 308 (0,86 %) ont développé une MTEV (170 EP, 176 TVP) et 293 (0,81 %) ont développé une MBE. Des modèles distincts ont été créés pour l'EP et la TVP car ils se sont avérés plus performants que la prédiction de la VTE. Les arbres boostant le gradient avaient les performances les plus élevées pour PE (AUC-ROC 0,774 [SD 0,055]) et DVT (AUC-ROC 0,759 [SD 0,039]). Pour MBE, l'analyse de l'opérateur de sélection et de retrait le moins absolu (Lasso) avait l'AUC la plus élevée (AUC-ROC 0,803 [SD 0,035]). Un algorithme qui fournit la probabilité d'EP, de TVP et de MBE pour chaque patient spécifique a été créé. Les 3 algorithmes avaient une bonne capacité discriminatoire et la validation croisée a montré des probabilités similaires comparant les échecs prédits et observés indiquant une grande précision du modèle. Nous avons développé et validé avec succès un algorithme facile à utiliser qui prédit avec précision VTE et MBE après TJA. Cet outil peut être utilisé dans la prise de décision clinique quotidienne et le conseil aux patients.
EXEMPLE 2
Mora D, Mateo J, Nieto JA, Bikdeli B, Yamashita Y, Barco S, Jimenez D, Demelo-Rodriguez P, Rosa V, Yoo HHB, Sadeghipour P, Monreal M; and the Registro Informatizado de Enfermedad TromboEmbólica (RIETE) Investigators. Machine learning to predict major bleeding during anticoagulation for venous thromboembolism: possibilities and limitations. Br J Haematol. 2023 Mar 21. doi: 10.1111/bjh.18737. Epub ahead of print. PMID: 36942630.Apprentissage automatique pour prédire les saignements majeurs pendant l'anticoagulation pour la thromboembolie veineuse : possibilités et limites
https://onlinelibrary.wiley.com/doi/10.1111/bjh.18737
Article libre d'accés
Les outils prédictifs pour les saignements majeurs (MB) utilisant l'apprentissage automatique (ML) pourraient être avantageux par rapport aux méthodes traditionnelles. Nous avons utilisé les données du Registro Informatizado de Enfermedad TromboEmbólica (RIETE) pour développer des algorithmes de ML afin d'identifier les patients atteints de thromboembolie veineuse (TEV) à risque accru de MB au cours des 3 premiers mois d'anticoagulation. Un total de 55 variables de base ont été utilisées comme prédicteurs. De nouvelles données collectées de manière prospective auprès du RIETE ont été utilisées pour une validation plus poussée. Les scores RIETE et VTE-BLEED ont été utilisés pour les comparaisons. La validation externe a été effectuée avec la base de données COMMAND-VTE. L'apprentissage a été réalisé avec les données de 49 587 patients, dont 873 (1,8%) avaient MB. La méthode ML la plus performante était XGBoost. Dans la cohorte de validation prospective, la sensibilité, la spécificité, la valeur prédictive positive et le score F1 étaient respectivement de 33,2 %, 93 %, 10 % et 15,4 %. La valeur F1 pour les scores RIETE et VTE-BLEED était respectivement de 8,6 % et 6,4 %. Dans la cohorte de validation externe, les mesures étaient respectivement de 10,3 %, 87,6 %, 3,5 % et 5,2 %. Dans cette cohorte, la valeur F1 pour le score RIETE était de 17,3 % et pour le score VTE-BLEED de 9,75 %. La performance de l'algorithme XGBoost était meilleure que celle des scores RIETE et VTE-BLEED uniquement dans la cohorte de validation prospective, mais pas dans la cohorte de validation externe.
EXEMPLE 3
Jin S, Qin D, Liang BS, Zhang LC, Wei XX, Wang YJ, Zhuang B, Zhang T, Yang ZP, Cao YW, Jin SL, Yang P, Jiang B, Rao BQ, Shi HP, Lu Q. Machine learning predicts cancer-associated deep vein thrombosis using clinically available variables. Int J Med Inform. 2022 May;161:104733. doi: 10.1016/j.ijmedinf.2022.104733. Epub 2022 Mar 5. PMID: 35299099.L'apprentissage automatique prédit la thrombose veineuse profonde associée au cancer à l'aide de variables cliniquement disponibles
https://www.sciencedirect.com/science/article/abs/pii/S1386505622000478?via%3Dihub
Objectif : Développer et valider des modèles d'apprentissage automatique (ML) pour la thrombose veineuse profonde (TVP) associée au cancer et comparer les performances de ces modèles avec le score de Khorana (KS).
Méthodes : Nous avons extrait au hasard les données de 2100 patients atteints de cancer entre le 1er janvier 2017 et le 31 octobre 2019, et 1035 patients ayant subi une échographie Doppler ont été recrutés. L'analyse univariée et la régression Lasso ont été appliquées pour sélectionner des prédicteurs importants. La formation du modèle et le réglage des hyperparamètres ont été mis en œuvre sur 70 % des données à l'aide d'une méthode de validation croisée à dix volets. Les 30 % restants des données ont été utilisés pour comparer les performances avec sept indicateurs (aire sous la courbe caractéristique de fonctionnement du récepteur [AUC], sensibilité, spécificité, précision, précision équilibrée, score de Brier et courbe d'étalonnage), parmi les cinq modèles ML (analyse discriminante linéaire [LDA], régression logistique [LR], arbre de classification [CT], forêt aléatoire [RF] et machine à vecteurs de support [SVM]), et le KS.
Résultats : L'incidence des TVP associées au cancer était de 22,3 %. Les cinq principaux prédicteurs étaient le niveau de D-dimères, l'âge, l'indice de comorbidité de Charlson (CCI), la durée du séjour (LOS) et les antécédents de VTE (thromboembolie veineuse) selon la RF. Seuls LDA (AUC = 0,773) et LR (AUC = 0,772) ont surpassé KS (AUC = 0,642), et la combinaison avec des D-dimères a montré des performances améliorées dans tous les modèles. Un nomogramme et une calculatrice Web https://webcalculatorofcancerassociateddvt.shinyapps.io/dynnomapp/ ont été utilisés pour visualiser le meilleur modèle LR recommandé.
Conclusion : Cette étude a développé et validé des modèles prédictifs de TVP associée au cancer à l'aide de cinq algorithmes ML et a visualisé le meilleur modèle recommandé à l'aide d'un nomogramme et d'une calculatrice Web. Le nomogramme et la calculatrice Web développés dans cette étude peuvent aider les médecins et les infirmières à évaluer le risque individualisé de TVP associée au cancer et à prendre des décisions. Cependant, d'autres études de cohorte prospectives devraient être menées pour valider en externe le modèle recommandé.
Recherche PUMED : ARTIFICIAL INTELLIGENCE and VASCULAR MEDICINE
3000 articles référencés entre 2020 et 2023.............
A ECOUTER
"Il y a de nombreuses raisons d’espérer en l’évolution de la médecine, à l’âge de l'IA, mais tout autant de la craindre. De nombreuses questions restent sans réponse. Il nous appartiendra donc de rester optimiste et de ne pas freiner le développement de l'IA, mais aussi de nous montrer prudents dans les processus que nous utiliserons pour l’évaluer et l’utiliser. Au-delà de cette thématique. Nous devons également veiller à ce que le développement de l'IA ne favorise pas une médecine à deux vitesses où seuls des patients, les plus aisés pourront bénéficier des toutes dernières technologies." Jean Emmanuel Bidault