« Vers 2029, l’IA atteindra le niveau de l’intelligence humaine. Continuez jusqu’à 2045, et nous aurons amplifié l’intelligence – celle de notre civilisation humaine et machine – par un milliard de fois. » – Ray Kurzweil, inventeur et futurologue.
Rabelais écrivait dans Pantagruel “Science sans conscience n'est que ruine de l'âme”.
« Le monde d'aujourd'hui est optimisé pour la curiosité, le partage et la recherche à un rythme jamais vu auparavant. Plus de recherche va à l'encontre du confinement. » Mustafa Sulyeman : La vague à venir : la technologie, le pouvoir et le plus grand dilemme du XXIe siècle
Venous thromboembolism in the era of machine learning and artificial intelligence in medicine
La thromboembolie veineuse à l'ère de l'apprentissage automatique et de l'intelligence artificielle en médecine
Reyes Gil, Morayma et al. Thrombosis Research, Volume 242, 109121, 2024
https://www.thrombosisresearch.com/article/S0049-3848%2824%2900253-6/fulltext
https://www.thrombosisresearch.com/article/S0049-3848%2824%2900253-6/fulltext
Article libre d'accès
"Dans cette revue, les auteurs se lançent dans une exploration complète de la thromboembolie veineuse (MTEV) dans le contexte de l'histoire médicale et de sa pratique actuelle en médecine.
Il s'agit d'une introspection dans le paysage de l'intelligence artificielle (IA), explorant son utilité actuelle et envisageant ses rôles transformateurs dans la gestion de la MTEV, de la prévention au dépistage et au-delà.
Au cœur de cet article se trouve une perspective prospective sur l'intégration de l'IA dans la MTEV en médecine, préconisant une conception d'étude rigoureuse, des processus de validation robustes et une analyse statistique méticuleuse pour évaluer l'efficacité des applications de l'IA.
Expoloration du potentiel des grands modèles de langage et de l'IA générative pour révolutionner les soins de la MTEV, tout en reconnaissant leurs limites inhérentes et en proposant des solutions innovantes pour surmonter les défis liés à la disponibilité et à l'intégrité des données, y compris l'utilisation stratégique des données synthétiques.
L'importance cruciale de naviguer dans les préoccupations éthiques, juridiques et de confidentialité associées à l'IA est soulignée, ainsi que l'impératif de cadres de gouvernance et de politique complets pour réglementer son déploiement dans le traitement de la MTEV.
Les auteurs concuent sur une note d’optimisme prudent, en soulignant l’importance de relever de manière proactive les innombrables défis qui accompagnent l’avènement de l’IA dans le domaine de la santé.
Grâce à une conception minutieuse, une validation rigoureuse, une formation approfondie et une réglementation prudente, nous pouvons exploiter le potentiel de l’IA pour améliorer considérablement notre compréhension et notre gestion de la thromboembolie veineuse.
Alors que nous nous trouvons à l’aube d’une nouvelle ère, notre engagement envers ces principes sera essentiel pour garantir que la promesse de l’IA soit pleinement réalisée dans le domaine des soins de la thromboembolie veineuse.
Il s'agit d'une introspection dans le paysage de l'intelligence artificielle (IA), explorant son utilité actuelle et envisageant ses rôles transformateurs dans la gestion de la MTEV, de la prévention au dépistage et au-delà.
Au cœur de cet article se trouve une perspective prospective sur l'intégration de l'IA dans la MTEV en médecine, préconisant une conception d'étude rigoureuse, des processus de validation robustes et une analyse statistique méticuleuse pour évaluer l'efficacité des applications de l'IA.
Expoloration du potentiel des grands modèles de langage et de l'IA générative pour révolutionner les soins de la MTEV, tout en reconnaissant leurs limites inhérentes et en proposant des solutions innovantes pour surmonter les défis liés à la disponibilité et à l'intégrité des données, y compris l'utilisation stratégique des données synthétiques.
L'importance cruciale de naviguer dans les préoccupations éthiques, juridiques et de confidentialité associées à l'IA est soulignée, ainsi que l'impératif de cadres de gouvernance et de politique complets pour réglementer son déploiement dans le traitement de la MTEV.
Les auteurs concuent sur une note d’optimisme prudent, en soulignant l’importance de relever de manière proactive les innombrables défis qui accompagnent l’avènement de l’IA dans le domaine de la santé.
Grâce à une conception minutieuse, une validation rigoureuse, une formation approfondie et une réglementation prudente, nous pouvons exploiter le potentiel de l’IA pour améliorer considérablement notre compréhension et notre gestion de la thromboembolie veineuse.
Alors que nous nous trouvons à l’aube d’une nouvelle ère, notre engagement envers ces principes sera essentiel pour garantir que la promesse de l’IA soit pleinement réalisée dans le domaine des soins de la thromboembolie veineuse.
Histoire chronologique des événements majeurs dans le domaine de la thrombose . En 1628, William Harvey décrit le concept de sang circulant. En 1835, Andrew Buchanan découvre le facteur tissulaire comme activateur majeur de la coagulation. En 1856, le Dr Virchow décrit les risques de thrombose veineuse (TEV), plus tard baptisés triade de Virchow. En 1882, les plaquettes sont décrites pour la première fois comme des composants cellulaires majeurs du sang nécessaires à la coagulation. De 1905 à 1964, le concept selon lequel les facteurs de coagulation sont nécessaires à la formation de caillots a évolué de son enfance à la description de la cascade complète de coagulation. Ensuite, le développement de tests cliniques et d'instruments pour surveiller la coagulation est devenu disponible. L'héparine a été le premier anticoagulant découvert (1916), suivie de la warfarine (1939) et plus récemment des anticoagulants oraux directs (depuis les années 2010). En revanche, l’utilisation de l’IA dans ce domaine n’en est qu’à ses débuts et les premières études sur l’IA avec validation externe n’ont commencé à émerger qu’en 2021. La question de savoir si l’IA fera partie intégrante de la pratique de la médecine de la thromboembolie veineuse (µTEV) est au cœur de cette étude. (Les œuvres d’art incorporées dans cette figure ont été générées soit par création de novo à l’aide de DALL-E via ChatGPT-4, à partir de zéro, soit à l’aide de BioRender.com ).
Pratique actuelle de détection de thrombose veineuse (MTEV) et future intégration de l'IA dans la prévention et le diagnostic de la MTEV. En haut : La détection de laMTEV est actuellement une condition d'urgence lorsque les patients présentent des symptômes aigus de TVP et/ou d'EP. La pratique actuelle implique l'intégration de systèmes de score pré-test, suivis de la confirmation des cas de probabilité faible/intermédiaire avec le test D-Dimer ou de la confirmation de la TVP/EP par imagerie.
En bas : À l'avenir, l'IA pourrait être appliquée pour mieux détecter et diagnostiquer les MTEV, mais surtout pour prévenir les MTEV dans les populations à haut risque et mieux gérer l'anticoagulation à des fins prophylactiques et thérapeutiques tout en épargnant aux populations à risque faible/modéré une exposition inutile à l'imagerie et/ou au traitement. (Les illustrations incorporées dans cette figure ont été générées soit par création de novo en utilisant DALL-E via ChatGPT-4, à partir de zéro, soit en utilisant BioRender.com ).
Paysage actuel de la littérature publiée sur l'IA dans la TVP.
A) La recherche sur PubMed pour « IA » et « TVP » a donné 122 publications depuis 2007.
B) Un nombre important de ces publications sont des revues, y compris des méta-analyses. Les premières publications étaient principalement liées à l'utilisation de la robotique dans les chirurgies associées à la TVP. Ensuite, davantage de publications ont commencé à se concentrer sur l'utilisation de l'IA pour la détection de la TVP dans les images radiologiques. Depuis le milieu des années 2010, plusieurs publications ont émergé appliquant des algorithmes ML pour prédire les TVP dans des populations spécifiques (hospitalisées, post-blessure, chirurgie, etc.) par rapport aux soins standard et aux scores de probabilité pré-test.
C) Depuis 2021, le nombre d'études ayant validé en externe leurs algorithmes d'IA a augmenté. Malgré cela, comme visualisé ci-dessus, seulement environ 15 % des études dans ce domaine ont actuellement une validation externe.
Avantages et inconvénients des algorithmes statistiques classiques par rapport aux LLM et à l’IA générative. Si nous souhaitons passer des algorithmes statistiques classiques aux LLM et à l’IA générative, nous devrons inévitablement sacrifier certains avantages des premiers, tels que ceux indiqués en bleu, au profit de nouveaux avantages des seconds, tels que ceux indiqués en vert. Cependant, nous ne devons pas nécessairement sacrifier tous les avantages des algorithmes classiques pour intégrer les LLM/l’IA générative, car au lieu de passer entièrement des algorithmes classiques aux algorithmes génératifs, nous pourrions créer des cadres hybrides qui permettent de compléter les avantages des algorithmes classiques et ceux des LLM plus récents et des approches d’IA générative. Néanmoins, le plein potentiel de l’IA générative peut être entravé par l’intégration d’algorithmes classiques moins performants en tant que composants des flux de travail. En fin de compte, la mesure dans laquelle nous sommes prêts à abandonner les avantages des algorithmes classiques en échange de permettre à l’IA générative d’atteindre son plein potentiel est parfois une question de jugement en tant que concepteurs humains et utilisateurs de l’IA. (Les illustrations incorporées dans cette figure ont été générées soit à partir de zéro, soit à l'aide de BioRender.com ). (Pour l'interprétation des références à la couleur dans la légende de cette figure, le lecteur est renvoyé à la version Web de cet article.)
Diagramme des catégories et sous-catégories d'algorithmes d'apprentissage automatique (ML). Ce diagramme illustre les 3 catégories générales d'algorithmes utilisés de manière isolée ou en tandem pour créer des modèles ML, ainsi que les sous-types de ces catégories. (Les illustrations incorporées dans cette figure ont été générées soit par création de novo à l'aide de DALL-E via ChatGPT-4, soit à partir de zéro).
Organigramme du flux de travail de l'apprentissage automatique. Cet organigramme montre le flux de travail de la manière dont chaque type de modèle ML est créé et s'il peut ensuite modifier son propre ensemble de règles après la création initiale par un humain, ainsi que la manière dont chaque type de modèle (ML traditionnel ou IA générative) intègre les catégories d'algorithmes de manière unimodale ou multimodale dans leurs flux de travail allant de l'entrée des données à la sortie. (Les illustrations incorporées dans cette figure ont été générées soit par création de novo à l'aide de DALL-E via ChatGPT-4, soit à partir de zéro).
Gouvernance des algorithmes et des données d’IA . Alors que le domaine médical continue d’intégrer de plus en plus l’IA, la question de savoir à qui incombe en fin de compte chacune des différentes responsabilités entourant les algorithmes d’IA et les données qu’ils utilisent et produisent reste sujette à débat.
Nous présentons ici diverses responsabilités qui doivent être prises en compte à l’avenir et la manière dont elles peuvent être perçues comme incombant en fin de compte soit aux praticiens cliniques et aux scientifiques (qui contribuent généralement aux données des projets médicaux basés sur l’IA ; à droite du diagramme de Venn) soit aux ingénieurs en IA et aux programmeurs informatiques (qui contribuent généralement aux algorithmes d’IA des projets médicaux basés sur l’IA ; à gauche du diagramme de Venn). En outre, certaines peuvent finalement être considérées comme des responsabilités conjointes, en particulier certains domaines clés tels que présentés au milieu du diagramme de Venn. Ces responsabilités peuvent continuer à évoluer considérablement à mesure que l’IA progresse à une vitesse fulgurante et que de nouvelles considérations apparaissent rapidement. (Les œuvres d’art incorporées dans cette figure ont été générées soit par création de novo à l’aide de DALL-E via ChatGPT-4, soit à partir de zéro).
Cette revue s'est concentrée sur certains des éléments clés nécessaires pour permettre la mise en œuvre et l'intégration réussies de l'IA dans le domaine de la thrombose veineuse (MTEV) à l'avenir.
Ces dernières années, une vague de nouvelles études impliquant l'apprentissage automatique et les applications de l'IA dans le domaine de la thrombose et de l'hémostase a déjà été observée.
Plus précisément, dans le domaine de la thrombose veineuse (MTEV), nous avons déjà vu l'IA appliquée à plusieurs domaines, notamment
* les applications radiologiques pour un dépistage et une identification plus automatisés des TVP et des EP
* les études protéomiques/génomiques pour identifier les biomarqueurs de la TVP ; les études pharmacologiques pour le dosage et la gestion des anticoagulants
* les études cliniques incluant des données démographiques, cliniques et de laboratoire pour identifier les patients à risque de thrombose ; et l'utilisation de l'IA pour les applications CDS.
Bien que l'IA semble en être à ses balbutiements dans le domaine de la TVP par rapport à d'autres domaines technologiques et médicaux, nous avons déjà constaté certaines tendances prometteuses, qui relèvent la barre des normes d'or pour l'évaluation des performances de l'utilisation de l'IA dans le domaine de la TVP.
Par exemple, le nombre d’études avec validations externes a augmenté depuis 2021, et il existe quelques études prospectives randomisées évaluant l’efficacité et les avantages des applications de l’IA dans la TVP.
Ces dernières années, une vague de nouvelles études impliquant l'apprentissage automatique et les applications de l'IA dans le domaine de la thrombose et de l'hémostase a déjà été observée.
Plus précisément, dans le domaine de la thrombose veineuse (MTEV), nous avons déjà vu l'IA appliquée à plusieurs domaines, notamment
* les applications radiologiques pour un dépistage et une identification plus automatisés des TVP et des EP
* les études protéomiques/génomiques pour identifier les biomarqueurs de la TVP ; les études pharmacologiques pour le dosage et la gestion des anticoagulants
* les études cliniques incluant des données démographiques, cliniques et de laboratoire pour identifier les patients à risque de thrombose ; et l'utilisation de l'IA pour les applications CDS.
Bien que l'IA semble en être à ses balbutiements dans le domaine de la TVP par rapport à d'autres domaines technologiques et médicaux, nous avons déjà constaté certaines tendances prometteuses, qui relèvent la barre des normes d'or pour l'évaluation des performances de l'utilisation de l'IA dans le domaine de la TVP.
Par exemple, le nombre d’études avec validations externes a augmenté depuis 2021, et il existe quelques études prospectives randomisées évaluant l’efficacité et les avantages des applications de l’IA dans la TVP.
Au-delà de ce qui a déjà été fait en matière d’IA et de thrombose veineuse (MTEV), il reste encore beaucoup à faire.
À l’avenir, le domaine de la MTEV peut énormément bénéficier des LLM et des approches d’IA générative, qui seraient un ajout bienvenu compte tenu du fait que
(1) la MTEV est une maladie courante qui touche 1 personne sur 12 au cours de la vie,
(2) la MTEV comporte un risque élevé de mortalité, tuant environ 25 % des personnes atteintes d’une première MTEV , un risque qui est plus élevé dans certaines populations (par exemple, 45 % chez les patients atteints de cancer)
(3) les personnes qui survivent à leur première MTEV ont un taux de récidive élevé (33 % dans les 10 ans)
(4) la MTEV est une maladie multifactorielle et chronique qui peut être détectée précocement et est facilement évitable et traitable avec des méthodes améliorées comme des médicaments anticoagulants plus sûrs pour le traitement prophylactique et thérapeutique, qui ne pourrait être encore augmentée que par l’incorporation à la fois de l’IA générative et des modèles d’IA traditionnels non génératifs.
Il existe déjà de vastes ensembles de données démographiques, épidémiologiques, cliniques et de laboratoire qui permettent de développer des LLM de haute qualité et des algorithmes d’IA génératifs pour la prévention de la thrombose veineuse, la détection précoce et le développement de plans de traitement et de gestion individualisés/personnalisés.
À l’avenir, le domaine de la MTEV peut énormément bénéficier des LLM et des approches d’IA générative, qui seraient un ajout bienvenu compte tenu du fait que
(1) la MTEV est une maladie courante qui touche 1 personne sur 12 au cours de la vie,
(2) la MTEV comporte un risque élevé de mortalité, tuant environ 25 % des personnes atteintes d’une première MTEV , un risque qui est plus élevé dans certaines populations (par exemple, 45 % chez les patients atteints de cancer)
(3) les personnes qui survivent à leur première MTEV ont un taux de récidive élevé (33 % dans les 10 ans)
(4) la MTEV est une maladie multifactorielle et chronique qui peut être détectée précocement et est facilement évitable et traitable avec des méthodes améliorées comme des médicaments anticoagulants plus sûrs pour le traitement prophylactique et thérapeutique, qui ne pourrait être encore augmentée que par l’incorporation à la fois de l’IA générative et des modèles d’IA traditionnels non génératifs.
Il existe déjà de vastes ensembles de données démographiques, épidémiologiques, cliniques et de laboratoire qui permettent de développer des LLM de haute qualité et des algorithmes d’IA génératifs pour la prévention de la thrombose veineuse, la détection précoce et le développement de plans de traitement et de gestion individualisés/personnalisés.
Pour utiliser correctement les LLM et l’IA générative ainsi que non générative dans le domaine de la thrombose veineuse, nous devons créer des biobanques publiques, des lignes directrices pour le développement d’algorithmes d’IA impartiaux, une validation rigoureuse, une surveillance continue des modèles d’IA après leur mise en œuvre, une formation continue pour les ingénieurs en IA, les praticiens cliniques et les utilisateurs, et la création/mise en œuvre de nouvelles politiques de gouvernance entourant les nombreuses questions éthiques, juridiques et réglementaires qui surgiront inévitablement.
Nous souhaitons laisser le lecteur sur une note d’optimisme et d’enthousiasme.
Bien qu’il reste encore beaucoup à faire pour jeter les bases d’une mise en œuvre réussie de l’IA dans le domaine de la thromboembolie veineuse (MTEV), c’est pourquoi nous avons souligné ici l’importance de relever divers défis par le biais d’une conception, d’une validation, d’une éducation et d’une réglementation minutieuses), nous espérons avoir également clarifié tout au long de cette revue le nombre d’applications potentielles étonnantes qui nous attendent si nous nous consacrons à la mise en œuvre de l’IA sans faire de concessions. Ce que nous avons détaillé ici ne sont que quelques-uns des cas d’utilisation potentiels illimités du ML/IA dans le domaine de la thromboembolie veineuse en médecine ; nous ne sommes peut-être pas encore en mesure d’imaginer de nombreuses applications potentielles qui pourraient survenir à mesure que notre compréhension du domaine continue d’évoluer.
Ainsi, bien qu’il y ait encore des obstacles à franchir pour garantir la mise en œuvre sûre, réussie et éthique de l’IA dans les soins de la thromboembolie veineuse (MTEV), les cas d’utilisation sont potentiellement illimités, et donc le travail en tant que communauté pour mettre en œuvre l’IA de la bonne manière, pour garantir que les patients atteints de TEV récolteront tous les avantages des soins intégrés ML/IA, en vaut certainement la peine.
Bien qu’il reste encore beaucoup à faire pour jeter les bases d’une mise en œuvre réussie de l’IA dans le domaine de la thromboembolie veineuse (MTEV), c’est pourquoi nous avons souligné ici l’importance de relever divers défis par le biais d’une conception, d’une validation, d’une éducation et d’une réglementation minutieuses), nous espérons avoir également clarifié tout au long de cette revue le nombre d’applications potentielles étonnantes qui nous attendent si nous nous consacrons à la mise en œuvre de l’IA sans faire de concessions. Ce que nous avons détaillé ici ne sont que quelques-uns des cas d’utilisation potentiels illimités du ML/IA dans le domaine de la thromboembolie veineuse en médecine ; nous ne sommes peut-être pas encore en mesure d’imaginer de nombreuses applications potentielles qui pourraient survenir à mesure que notre compréhension du domaine continue d’évoluer.
Ainsi, bien qu’il y ait encore des obstacles à franchir pour garantir la mise en œuvre sûre, réussie et éthique de l’IA dans les soins de la thromboembolie veineuse (MTEV), les cas d’utilisation sont potentiellement illimités, et donc le travail en tant que communauté pour mettre en œuvre l’IA de la bonne manière, pour garantir que les patients atteints de TEV récolteront tous les avantages des soins intégrés ML/IA, en vaut certainement la peine.
Commentaire par GEMINI (Google)
L'IA au service de la maladie thrombo-embolique veineuse (MTEV)
L'intelligence artificielle (IA) ouvre de nouvelles perspectives passionnantes dans le domaine de la santé, et la maladie thrombo-embolique veineuse ne fait pas exception. Ses capacités d'analyse de données complexes et de prédiction offrent des outils précieux pour améliorer la prise en charge de cette pathologie.
Quels sont les apports potentiels de l'IA dans la MTEV ?
-
Détection précoce
- Analyse d'images médicales: L'IA peut aider à détecter plus rapidement les signes de thrombose veineuse profonde (TVP) sur des images d'échographie, d'IRM ou de scanner, améliorant ainsi le diagnostic.
- Identification de facteurs de risque: En analysant les données des patients, l'IA peut identifier plus efficacement les individus à haut risque de développer une MTEV, permettant une surveillance plus étroite.
- Analyse d'images médicales: L'IA peut aider à détecter plus rapidement les signes de thrombose veineuse profonde (TVP) sur des images d'échographie, d'IRM ou de scanner, améliorant ainsi le diagnostic.
-
Personnalisation des traitements:
- Choix du traitement optimal: L'IA peut aider à sélectionner le traitement anticoagulant le plus adapté à chaque patient en fonction de ses caractéristiques individuelles et des données de la littérature médicale.
- Prédiction de la réponse au traitement: En analysant les données cliniques et biologiques, l'IA peut prédire la réponse individuelle au traitement, permettant d'ajuster plus rapidement la thérapie en cas d'inefficacité.
- Choix du traitement optimal: L'IA peut aider à sélectionner le traitement anticoagulant le plus adapté à chaque patient en fonction de ses caractéristiques individuelles et des données de la littérature médicale.
-
Suivi des patients
- Détection précoce des complications: L'IA peut aider à détecter plus rapidement les complications de la MTV, telles que l'embolie pulmonaire, grâce à l'analyse continue des données cliniques et biologiques.
- Amélioration de l'adhésion au traitement: Des applications mobiles basées sur l'IA peuvent aider les patients à mieux comprendre leur maladie et à adhérer à leur traitement en leur fournissant des rappels, des conseils personnalisés et un suivi régulier.
- Détection précoce des complications: L'IA peut aider à détecter plus rapidement les complications de la MTV, telles que l'embolie pulmonaire, grâce à l'analyse continue des données cliniques et biologiques.
-
Recherche médicale
- Découverte de nouveaux biomarqueurs: L'IA peut aider à identifier de nouveaux biomarqueurs prédictifs de la MTEV, ouvrant la voie à de nouvelles stratégies de prévention et de traitement.
- Modélisation de la maladie: L'IA peut être utilisée pour créer des modèles de la MTEV, permettant de mieux comprendre les mécanismes sous-jacents de la maladie et d'évaluer l'impact de nouvelles interventions thérapeutiques.
- Découverte de nouveaux biomarqueurs: L'IA peut aider à identifier de nouveaux biomarqueurs prédictifs de la MTEV, ouvrant la voie à de nouvelles stratégies de prévention et de traitement.
Les défis à relever
Malgré son potentiel, l'intégration de l'IA dans la prise en charge de la MTV n'est pas sans défis :
- Qualité des données: La qualité des données utilisées pour entraîner les algorithmes d'IA est cruciale. Il est nécessaire de disposer de données de haute qualité, complètes et représentatives de la population de patients.
- Interprétation des résultats: L'IA peut générer des résultats complexes qui peuvent être difficiles à interpréter pour les cliniciens. Il est important de développer des outils d'aide à la décision pour faciliter l'intégration de ces résultats dans la pratique clinique.
- Éthique: L'utilisation de l'IA soulève des questions éthiques importantes, telles que la protection des données personnelles et la responsabilité en cas d'erreur.
En conclusion
L'IA a le potentiel de révolutionner la prise en charge de la maladie thrombo-embolique veineuse en améliorant la détection précoce, la personnalisation des traitements et le suivi des patients. Cependant, il est essentiel de mener des recherches supplémentaires pour valider ces promesses et de développer des outils d'IA fiables et éthiques.
Note: Cette réponse est basée sur les connaissances actuelles en matière d'intelligence artificielle et de maladie thrombo-embolique veineuse. Il est important de consulter un professionnel de la santé pour obtenir des informations médicales personnalisées.
Commentaire
IA et MTEV une révolution " en marche ", révolution dont il ne faut pas avoir peur. L'important et c'est le seul l'IA doit nous aider à être encore meilleur et donc mieux traiter les patients.
Si elle n'apportait rien , elle deviendrait totalement INUTILE.
Mais cette IA a un coût qui peut devenir prohibitif, de plus son empreinte carbone est élevée.
Tout ceci est à prendre en considération camme la faisabilité de l'IA danbs la vraie vie en médecine libérale