"Pour exercer sa suprématie intellectuelle, l’homme créa l’intelligence artificielle à son image, au risque de s’y soumettre." Serge Zeller
"Nous entrons ainsi dans un engrenage neuro technique avec l’IA où nous industrialisons la fabrication de l’intelligence pour passer d’une pénurie d’intelligence à une abondance d’intelligence." Laurent Alexandre
Munger E, Hickey JW, Dey AK, Jafri MS, Kinser JM, Mehta NN. Application of machine learning in understanding atherosclerosis: Emerging insights.
Application de l’apprentissage automatique à la compréhension de l’athérosclérose : nouvelles connaissances
APL Bioeng. 2021 Feb 16;5(1):011505. doi: 10.1063/5.0028986. PMID: 33644628; PMCID: PMC7889295.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7889295/
Article libre d'accés
Les processus biologiques sont incroyablement complexes : ils intègrent des réseaux de signalisation moléculaire impliqués dans la communication et le fonctionnement multicellulaires, maintenant ainsi l'homéostasie. Le dysfonctionnement de ces processus peut entraîner une perturbation de l’homéostasie, conduisant au développement de plusieurs processus pathologiques, notamment l’athérosclérose. Nous avons considérablement avancé notre compréhension des bioprocessus dans l’athérosclérose et, ce faisant, nous commençons à apprécier les complexités, les subtilités et l’hétérogénéité de l’athérosclérose. Nous somm
es également désormais mieux équipés pour acquérir, stocker et traiter la grande quantité de données biologiques nécessaires pour faire la lumière sur les circuits biologiques impliqués. Ces données peuvent être analysées dans des cadres d’apprentissage automatique pour mieux comprendre ces relations complexes. En effet, un nombre croissant d’études appliquent des méthodes d’apprentissage automatique pour la stratification du risque des patients basée sur les comorbidités, le traitement d’images multimodales et la découverte de biomarqueurs relatifs à la formation de plaques d’athérosclérose. Ici, nous nous concentrons sur les applications actuelles de l’apprentissage automatique pour mieux comprendre la formation de plaques d’athérosclérose et mieux comprendre la progression de la plaque d’athérosclérose chez les patients atteints de maladies cardiovasculaires.
La modélisation de l'apprentissage automatique convertit les données brutes en modèles efficaces et précis qui peuvent être utilisés pour l'analyse des risques des patients et le traitement des images médicales, même lorsque les patie
Les principaux prédicteurs de la charge de plaque artérielle coronaire non calcifiée sont générés à l'aide de ML, présentent des comorbidités complexes. Créé avec BioRender.com.
Les principaux prédicteurs de la charge de plaque artérielle coronaire non calcifiée sont générés à l'aide de ML. Ces prédicteurs sont des paramères majeurs.
Orientations futures et conclusions
Cumulativement, notre revue démontre que des informations précieuses peuvent être extraites lorsque le ML est appliqué à des ensembles de données cliniques. En conséquence directe de l’application récente du ML dans l’athérosclérose, le nombre de facteurs moléculaires, cellulaires et physiologiques connus affectant l’athérosclérose a considérablement augmenté. La plupart de ces facteurs ont été étudiés individuellement, ce qui soulève la question de savoir combien de ces facteurs sont interdépendants et corrélés. L’ajout de facteurs environnementaux et de larges choix de modes de vie à ce type d’analyse pourrait être particulièrement intéressant d’un point de vue interventionnel de santé publique. Ainsi, l’analyse ML d’ensembles de données larges et bien caractérisés permettra de mieux comprendre comment ces facteurs sont interconnectés et ont un impact sur la santé cardiovasculaire.
Cumulativement, notre revue démontre que des informations précieuses peuvent être extraites lorsque le ML est appliqué à des ensembles de données cliniques. En conséquence directe de l’application récente du ML dans l’athérosclérose, le nombre de facteurs moléculaires, cellulaires et physiologiques connus affectant l’athérosclérose a considérablement augmenté. La plupart de ces facteurs ont été étudiés individuellement, ce qui soulève la question de savoir combien de ces facteurs sont interdépendants et corrélés. L’ajout de facteurs environnementaux et de larges choix de modes de vie à ce type d’analyse pourrait être particulièrement intéressant d’un point de vue interventionnel de santé publique. Ainsi, l’analyse ML d’ensembles de données larges et bien caractérisés permettra de mieux comprendre comment ces facteurs sont interconnectés et ont un impact sur la santé cardiovasculaire.
De plus, étant donné que les études montrent que les voies physiologiques impliquées dans l’athérogenèse sont partagées par d’autres maladies, étudier ces maladies en tandem pourrait s’avérer fructueux. Une complication importante de l’athérosclérose est le fait qu’il existe quelques symptômes jusqu’à ce qu’un événement cardiovasculaire survienne. 41 Nous imaginons qu'une compréhension plus approfondie de la maladie pourrait être obtenue en utilisant l'apprentissage automatique pour analyser un ensemble de données ciblé et bien caractérisé de nombreuses variables importantes pour l'athérosclérose en combinaison avec d'autres conditions/comorbidités qui peuvent servir de substituts pour évaluer la gravité de l'athérosclérose sous-jacente.
En conclusion, nous examinons ici comment le ML peut accélérer notre compréhension de l'athérosclérose et certaines des applications clés du ML à ces ensembles de données pour caractériser de nouveaux biomarqueurs de la progression de la maladie athéroscléreuse. Des études beaucoup plus vastes sur des ensembles de données bien caractérisés seront possibles à mesure que la technologie et la compréhension analytique s’amélioreront à l’avenir.
Commentaire
L'IA fait son chemin, elle va nous aider à comprendre certains phénomènes mal connus et donc d'avancer. L'IA est présente en médecine avec de multiples champs d'actions, qui sont en fait infinis. Au delà de la recherche fondamentale, l'IA doit nous apporter du concret afin d'avoir une action diagnostique et thérapeutique mieux ciblées. L'IA pour l'IA en médecine n'a aucun intérêt. Il faut cibles les très bonnes indications.
Commentaire
L'IA fait son chemin, elle va nous aider à comprendre certains phénomènes mal connus et donc d'avancer. L'IA est présente en médecine avec de multiples champs d'actions, qui sont en fait infinis. Au delà de la recherche fondamentale, l'IA doit nous apporter du concret afin d'avoir une action diagnostique et thérapeutique mieux ciblées. L'IA pour l'IA en médecine n'a aucun intérêt. Il faut cibles les très bonnes indications.