« L’ère à venir de l’intelligence artificielle ne sera pas celle de la guerre, mais celle de la compassion profonde, de la non-violence et de l’amour ». Amit Ray
« Nous avons vu l’IA apporter conversation et réconfort aux personnes seules ; nous avons également vu l’IA se livrer à la discrimination raciale. Pourtant, le plus grand préjudice que l’IA est susceptible de causer aux individus à court terme est le déplacement d’emplois, car la quantité de travail que nous pouvons automatiser grâce à l’IA est beaucoup plus importante qu’auparavant. Il nous incombe à tous de nous assurer que nous construisons un monde dans lequel chaque individu a la possibilité de s’épanouir. » Andrew Ng
RAPPEL
"Le machine learning est une technique de programmation informatique qui utilise des probabilités statistiques pour donner aux ordinateurs la capacité d'apprendre par eux-mêmes sans programmation explicite. L’ objectif de base du machine learning est "d’apprendre à apprendre" aux ordinateurs – et par la suite, à agir et réagir – comme le font les humains, en améliorant leur mode d'apprentissage et leurs connaissances de façon autonome sur la durée. L'objectif ultime serait que les ordinateurs agissent et réagissent sans être explicitement programmés pour ces actions et réactions. Le machine learning utilise des programmes de développement qui s'ajustent chaque fois qu'ils sont exposés à différents types de données en entrée. La réussite du machine learning réside dans l'entrée de volumes considérables de données dans l'ordinateur-étudiant. Pour apprendre, la machine a besoin de consommer des big data."
https://www.talend.com/fr/resources/what-is-machine-learning/#:~:text=L'%20objectif%20de%20base%20du,fa%C3%A7on%20autonome%20sur%20la%20dur%C3%A9e.
https://www.ionos.fr/digitalguide/web-marketing/search-engine-marketing/deep-learning-vs-machine-learning/
ALGORITHME
Suite finie de règles formelles (opérations logiques, instructions) permettant d’obtenir un résultat à partir d’éléments fournis en entrée. Cette suite peut être l’objet d’un processus automatisé d’exécution et s’appuyer sur des modèles conçus par le biais d’apprentissage machine.
APPRENTISSAGE AUTOMATIQUE (machine learning)
L’apprentissage machine permet de construire un modèle mathématique à partir de données, en incluant un grand nombre de variables qui ne sont pas connues à l’avance. Les paramètres sont configurés au fur et à mesure lors d’une phase d’apprentissage, qui utilise des jeux de données d’entraînement pour trouver des liens et les classifie. Les différentes méthodes d’apprentissage machine sont choisies par les concepteurs en fonction de la nature des tâches à accomplir (regroupement, arbre de décision). Ces méthodes sont habituellement classées en 3 catégories : apprentissage supervisé par un humain, apprentissage non supervisé et apprentissage non supervisé par renforcement. Ces 3 catégories regroupent différentes méthodes dont les réseaux de neurones, l’apprentissage profond etc.
https://www.coe.int/fr/web/artificial-intelligence/glossaryL'ARTICLE
Saux P, Bauvin P, Raverdy V, Teigny J, Verkindt H, Soumphonphakdy T, Debert M, Jacobs A, Jacobs D, Monpellier V, Lee PC, Lim CH, Andersson-Assarsson JC, Carlsson L, Svensson PA, Galtier F, Dezfoulian G, Moldovanu M, Andrieux S, Couster J, Lepage M, Lembo E, Verrastro O, Robert M, Salminen P, Mingrone G, Peterli R, Cohen RV, Zerrweck C, Nocca D, Le Roux CW, Caiazzo R, Preux P, Pattou F. Development and validation of an interpretable machine learning-based calculator for predicting 5-year weight trajectories after bariatric surgery: a multinational retrospective cohort SOPHIA study. Lancet Digit Health. 2023 Oct;5(10):e692-e702. doi: 10.1016/S2589-7500(23)00135-8. Epub 2023 Aug 29. PMID: 37652841.
Développement et validation d'un calculateur interprétable basé sur l'apprentissage automatique pour prédire les trajectoires de poids sur 5 ans après une chirurgie bariatrique : une étude de cohorte rétrospective multinationale SOPHIA
https://www.thelancet.com/journals/landig/article/PIIS2589-7500(23)00135-8/fulltext
Article Libre d'Accés
Contexte
Contexte
Les trajectoires de perte de poids après une chirurgie bariatrique varient considérablement d’un individu à l’autre, et prédire la perte de poids avant l’opération reste difficile. Notre objectif était de développer un modèle utilisant l'apprentissage automatique pour fournir une prédiction préopératoire individuelle des trajectoires de perte de poids sur 5 ans après la chirurgie.
Méthodes
Dans cette étude observationnelle rétrospective multinationale, nous avons recruté des participants adultes (âgés de ≥ 18 ans) issus de dix cohortes prospectives (dont ABOS [NCT01129297], BAREVAL [NCT02310178], l'étude suédoise sur les sujets obèses et une grande cohorte de la Dutch Obesity Clinic [Nederlandse Obesitas Kliniek]) et deux essais randomisés (SleevePass [NCT00793143] et SM-BOSS [NCT00356213]) en Europe, aux Amériques et en Asie, avec un suivi de 5 ans après un pontage gastrique Roux-en-Y, une gastrectomie en manchon ou une gastrectomie gastrique. groupe. Les patients ayant des antécédents de chirurgie bariatrique ou des retards importants entre les visites programmées et réelles ont été exclus. La cohorte de formation était composée de patients de deux centres en France (ABOS et BAREVAL). Le critère de jugement principal était l'IMC à 5 ans. Un modèle a été développé en utilisant l'opérateur de retrait et de sélection le moins absolu pour sélectionner les variables et l'algorithme des arbres de classification et de régression pour construire des arbres de régression interprétables. Les performances du modèle ont été évaluées à travers l’écart absolu médian (MAD) et l’erreur quadratique moyenne (RMSE) de l’IMC.
Résultats
10 231 patients provenant de 12 centres répartis dans dix pays ont été inclus dans l’analyse, correspondant à 30 602 années-patients. Parmi les participants des 12 cohortes, 7 701 (75,3 %) étaient des femmes et 2 530 (24,7 %) étaient des hommes. Parmi les 434 attributs de base disponibles dans la cohorte de formation, sept variables ont été sélectionnées : taille, poids, type d'intervention, âge, statut diabétique, durée du diabète et statut tabagique. À 5 ans, dans les cohortes de tests externes, l'IMC moyen global MAD était de 2,8 kg/m 2 (IC à 95 % 2,6–3,0) et l'IMC RMSE moyen était de 4,7 kg/m 2 (4,4–3,0). 5,0), et la différence moyenne entre l'IMC prédit et observé était de –0,3 kg/m 2 (SD 4,7). Ce modèle est incorporé dans un outil de prédiction en ligne facile à utiliser et interprétable pour aider à éclairer la décision clinique avant la chirurgie.
Un exempleDr Nicolas Postel-Vinay
in JIM du 09/10/23
Lien du programme SOPHIA utilisable en consultation
https://bariatric-weight-trajectory-prediction.univ-lille.fr/
Un autre exemple
Lien du programme SOPHIA utilisable en consultation
https://bariatric-weight-trajectory-prediction.univ-lille.fr/
Un autre exemple
Interprétation
Nous avons développé un modèle basé sur l'apprentissage automatique, validé au niveau international, pour prédire les trajectoires individuelles de perte de poids sur 5 ans après trois interventions bariatriques courantes.
"En résumé, nous avons développé et validé un modèle facile à utiliser et interprétable qui fournit des prédictions individuelles de la trajectoire de perte de poids après une chirurgie bariatrique. Nous avons montré sa généralisabilité et sa transportabilité dans plusieurs cohortes en Europe, dans les Amériques et en Asie, ainsi que ses performances dans les essais cliniques d'intervention.
La prédiction de la trajectoire individuelle de perte de poids semble être une stratégie précise et simple pour éclairer les décisions cliniques des prestataires de soins de santé et des patients avant la chirurgie.
Notre modèle peut également être utilisé en postopératoire pour identifier les patients dont les trajectoires réelles de perte de poids diffèrent de leur trajectoire prévue, permettant ainsi la mise en œuvre en temps opportun d'interventions cliniques appropriées."
Rappel : les bienfaits de la chirurgie bariatrique
https://cbc.org.br/wp-content/uploads/2016/08/082016SCr.pdf
Commentaire
BRAVO à l'équipe du Pr Saux du CHU de Lille qui vient de contredire celle et ceux qui veulent mettre l'IA à la poubelle....il y en a encore !
Ce programme prédictif obtenu par l'IA (machine learning) correspond exactement ce que l'on pourrait faire en médecine vasculaire, prédire les risques de récidive et d'hémorragie à 5 ans voire 10 ans.
Plus de 10 000 patients issus de 10 pays ont été à la base du recueil de toutes les données disponibles . "Parmi les 434 attributs de base disponibles dans la cohorte de formation, sept variables ont été sélectionnées : taille, poids, type d'intervention, âge, statut diabétique, durée du diabète et statut tabagique."
Un travail phénoménal qui est disponible librement , un programme à utiliser lorsque l'on abordre la question d'une éventuelle chirurgie bariatrique avec les patients.
Espérons que la SFMV va enfin céer un groupe de travail IA
https://cbc.org.br/wp-content/uploads/2016/08/082016SCr.pdf
Commentaire
BRAVO à l'équipe du Pr Saux du CHU de Lille qui vient de contredire celle et ceux qui veulent mettre l'IA à la poubelle....il y en a encore !
Ce programme prédictif obtenu par l'IA (machine learning) correspond exactement ce que l'on pourrait faire en médecine vasculaire, prédire les risques de récidive et d'hémorragie à 5 ans voire 10 ans.
Plus de 10 000 patients issus de 10 pays ont été à la base du recueil de toutes les données disponibles . "Parmi les 434 attributs de base disponibles dans la cohorte de formation, sept variables ont été sélectionnées : taille, poids, type d'intervention, âge, statut diabétique, durée du diabète et statut tabagique."
Un travail phénoménal qui est disponible librement , un programme à utiliser lorsque l'on abordre la question d'une éventuelle chirurgie bariatrique avec les patients.
Espérons que la SFMV va enfin céer un groupe de travail IA