« L'intelligence est la capacité de s'adapter au changement. » Stephen Hawking
" Le mesurable a conquis presque toute la science et en a discrédité toutes les parties où il n'a pu s'introduire" Paul Valéry
« J'ai remarqué que même les gens qui affirment que tout est prédestiné et que nous ne pouvons rien y changer regardent avant de traverser la rue. » Stephen Hawking
« J'ai remarqué que même les gens qui affirment que tout est prédestiné et que nous ne pouvons rien y changer regardent avant de traverser la rue. » Stephen Hawking
Fabien Lareyre, Kak Khee Yeung, Lisa Guzzi, Gilles Di Lorenzo, Arindam Chaudhuri, Christian-Alexander Behrendt, Konstantinos Spanos, Juliette Raffort, Artificial intelligence in vascular surgical decision making, Seminars in Vascular Surgery, 2023,
L'intelligence artificielle dans la prise de décision en chirurgie vasculaire
L'équipe de Fabine Lareyre et de Juliette Raffort-Lareyre est une équipe certainement la plus en avance sur l'IA et les affections vasculaires
Abstract
"Malgré les progrès en matière de prévention, de détection et de traitement, les maladies cardiovasculaires restent l’une des principales causes de mortalité et représentent un problème de santé majeur dans le monde. L’intelligence artificielle et l’apprentissage automatique ont apporté de nouvelles connaissances dans la gestion des maladies vasculaires en permettant l’analyse d’ensembles de données énormes et complexes et en proposant de nouvelles techniques pour développer une analyse d’imagerie avancée. Les applications basées sur l'intelligence artificielle ont le potentiel d'améliorer l'évaluation pronostique et la prise de décision fondée sur des preuves et de contribuer à la prise de décision thérapeutique vasculaire. Dans cette revue de la portée, nous fournissons un aperçu de la manière dont l’intelligence artificielle pourrait aider à la prise de décision clinique en matière de chirurgie vasculaire, en mettant en évidence les avantages potentiels, les limites actuelles et les défis futurs."
4 exemples
"Stratification du risque de maladie vasculaire
En permettant l'identification de modèles cachés parmi des données complexes sans aucune hypothèse a priori , le Machine Learning (ML) et de prédire les résultats liés aux maladies vasculaires. Plusieurs revues de la littérature ont précédemment résumé les modèles prédictifs d'IA dans diverses maladies vasculaires non cardiaques, notamment les maladies aortiques , les maladies artérielles des membres inférieurs (AOMI) ou la sténose carotidienne "
Anticiper le risque CV serait une acquistion majeure de la médecine prédictive basée sur l'utilisation de l'IA;. Un chantier énorme qui prendra du temps, mais tous les bénéfices seront pour les patients et la société , un enjeu de santé publique (JPL)
"Anévrisme de l'aorte
Les directives actuelles pour la prise en charge des anévrismes de l'aorte stipulent qu'ils doivent être traités rapidement s'ils sont symptomatiques ou s'ils sont rompus . Pour les anévrismes asymptomatiques, la prise de décision est plus complexe et l'indication de réparation repose sur l'évaluation du risque de croissance et de rupture de l'anévrisme, principalement évalué par la mesure du diamètre maximal de l'anévrisme sur les données d'imagerie . Cependant, certains patients présentant de petits anévrismes inférieurs au seuil de réparation développent une rupture, ce qui souligne la nécessité de techniques innovantes pour mieux évaluer le risque de progression de l'anévrisme . Plusieurs modèles ML ont été proposés pour prédire le risque de croissance et de rupture d'anévrisme en utilisant diverses données d'entrée, notamment des données cliniques, biologiques et d'imagerie. Les résultats de ces études ont montré une bonne précision pour prédire ces risques, démontrant une preuve de concept, même si une validation dans des cohortes prospectives multicentriques est nécessaire pour généraliser leur utilisation."
L'anévrisme de l'aorte abdominale, on sait le dépister par l'échographie , par contre ce que l'on ne sait pas ou peu, c'est prédire sa croissance, prédire le risque de fissuration ce qui peut arriver en cas de "petits anévrimes", de plus chez les patients traité spar endoprothèse le controle écho Doppler avec Sonovue est un bon examen pour dépister les endofuites. Mais prédire les endofuites, utiliser la prothèse la plus adaptée selon la morphologie de l'aorte, on sait mais on pouirrait être plus précis. L'IA est certainement l'outil "manquant"
"Maladie artérielle des membres inférieurs
D'autres exemples de la manière dont le ML peut aider à stratifier la gravité de la maladie sont également fournis dans d'autres troubles vasculaires, notamment l'AOMI. L(AOMI est un problème de santé majeur, car il touche plus de 237 millions de personnes dans le monde et est associé à un risque de mortalité cardiovasculaire et d'amputation . La prise en charge de l'AOMI prend en compte la gravité et le stade de la maladie, ainsi que l'évaluation des facteurs de risque cardiovasculaire, pour maximiser la survie des membres et limiter les complications cardiovasculaires . Dans ce contexte, certaines équipes ont cherché à développer des algorithmes ML pour classer la gravité de l'AOMI sur la base de plusieurs paramètres de routine cliniquement disponibles, y compris des données cliniques et biologiques. . Le score a réussi à classer les patients . En permettant une identification rapide des patients atteints d'AOMI sévère sur la base de caractéristiques cliniques et biologiques de base, ce type d'application pourrait être utilisé pour détecter et identifier rapidement les patients nécessitant une intervention vasculaire avant de bénéficier de diagnostics d'imagerie plus spécialisés. 'AOMI est l’une des principales causes d’amputation et une prédiction individualisée du risque faciliterait la prise de décision clinique. Sur la base des informations cliniques et biologiques préopératoires de 14 444 patients ayant subi des procédures snas le cadrez de l'AOMI, certains enquêteurs ont développé un modèle ML pour prédire le risque d'amputation à 30 jours avec une aire sous la courbe de 0,81 . Bien qu’une validation externe soit nécessaire, l’ajout de ce type d’évaluation dans les arbres de décision cliniques pourrait aider à mieux ajuster la revascularisation.stratégies et améliorer la médecine de précision. Enfin, l'AOMI est associé eà l'athérosclérose et les patients présentent un risque élevé de développer des complications cardiovasculaires, et plusieurs modèles ML ont été construits pour mieux évaluer le risque d'événements cardiaques et cérébrovasculaires indésirables majeurs . Dans l'ensemble, l'intégration de la gravité de l'AOMI avec le risque d'amputation et d'événements cardiovasculaires pourrait aider les cliniciens à optimiser le traitement médical et à déterminer la stratégie de revascularisation la plus appropriée en temps opportun"
Un bémol pour l'AOMI . Cette affection est sous dépistée, sous diagnostiquée , et sous traitée. Pourquoi ? Parce qu'à la base la clinique n 'est pa évlauée à sa juste valeur? Les patients avec AOMI sont difficiles à prendre en charge car il leur faut changer de vie. Enfin les traitements médicaux sous sous estimés et les traitements endovasculaires sont sur utilisés à tord. Quand on aura réglé tous ces problèmes on pourra alors voire ce que l'IA pourra nous apporter.
"Sténose carotidienne
La sténose carotidienne est une autre maladie liée à l'athérosclérose et est associée à un risque d'événements cérébrovasculaires, notamment un accident vasculaire cérébral ischémique ou des accidents ischémiques transitoires . Lorsqu’une sténose carotidienne est diagnostiquée, les principales questions qui se posent aux cliniciens sont les suivantes : doit-elle être traitée ? Si oui, quand et comment ? . Plusieurs modèles prédictifs de ML ont été construits pour identifier les modèles prédictifs de risque d'accident vasculaire cérébral à partir de la caractérisation des plaques carotides en imagerie, notamment l'imagerie par résonance magnétique, l'angiographie par tomodensitométrie ou l'échographie . Ces études soutiennent l'utilisation de l'IA pour aider à la prise de décision clinique pour la gestion de la sténose carotidienne, bien que les modèles doivent encore être validés avant leur utilisation dans la pratique clinique."
Un autre bémol pour les sténoses carotidiennes. IOn ne peu s'abriter derrière l'IA pour tout régler. En fait nois avons tous les outils pour prédire le caractère vulnérable d'une plaque carotidienne : l'écho Doppler, le monitorage cérébale par Doppler transcanien à la recherche de HITS, la vasoréactivité cérébrale, le GSM de la plaque carotidienne et enfin la prise de contraste (Sonovue) de la plaque carotidienne. Ces différents outils fonctionnent mais pas de validation, Aujourd'hui aucun chirurgien ne va intervenir sur quelques HITS intra crânien s pour une sténose de 50% symptomatique etc. Les études en IRM et au scanner sont intéressantes et pertinentes avec une optimisation possible par l'IA. Mais si on peut rester plus simple toiu en étant aussi performant et avec un coût minime . l faut persister et valider ce dont on dispose. A noter que les ultrasons qui existent en 3D et 4D pour l'obstétrique et la cardiologie, sont déséspemment en panne en vasculaire, pourquoi ? Dernier point il serait possible d'embarquer des outils de mesure de la paroie artérielle, de la distensibilté de celle ci , de ses vibrations etc mais là aussi panne totale. L'IA pourra t-elle réparer ces erreurs ? L(IA embarquée dans les appareils d'échographie, une nécessité absolue.
D'autres exemples de la manière dont le ML peut aider à stratifier la gravité de la maladie sont également fournis dans d'autres troubles vasculaires, notamment l'AOMI. L(AOMI est un problème de santé majeur, car il touche plus de 237 millions de personnes dans le monde et est associé à un risque de mortalité cardiovasculaire et d'amputation . La prise en charge de l'AOMI prend en compte la gravité et le stade de la maladie, ainsi que l'évaluation des facteurs de risque cardiovasculaire, pour maximiser la survie des membres et limiter les complications cardiovasculaires . Dans ce contexte, certaines équipes ont cherché à développer des algorithmes ML pour classer la gravité de l'AOMI sur la base de plusieurs paramètres de routine cliniquement disponibles, y compris des données cliniques et biologiques. . Le score a réussi à classer les patients . En permettant une identification rapide des patients atteints d'AOMI sévère sur la base de caractéristiques cliniques et biologiques de base, ce type d'application pourrait être utilisé pour détecter et identifier rapidement les patients nécessitant une intervention vasculaire avant de bénéficier de diagnostics d'imagerie plus spécialisés. 'AOMI est l’une des principales causes d’amputation et une prédiction individualisée du risque faciliterait la prise de décision clinique. Sur la base des informations cliniques et biologiques préopératoires de 14 444 patients ayant subi des procédures snas le cadrez de l'AOMI, certains enquêteurs ont développé un modèle ML pour prédire le risque d'amputation à 30 jours avec une aire sous la courbe de 0,81 . Bien qu’une validation externe soit nécessaire, l’ajout de ce type d’évaluation dans les arbres de décision cliniques pourrait aider à mieux ajuster la revascularisation.stratégies et améliorer la médecine de précision. Enfin, l'AOMI est associé eà l'athérosclérose et les patients présentent un risque élevé de développer des complications cardiovasculaires, et plusieurs modèles ML ont été construits pour mieux évaluer le risque d'événements cardiaques et cérébrovasculaires indésirables majeurs . Dans l'ensemble, l'intégration de la gravité de l'AOMI avec le risque d'amputation et d'événements cardiovasculaires pourrait aider les cliniciens à optimiser le traitement médical et à déterminer la stratégie de revascularisation la plus appropriée en temps opportun"
Un bémol pour l'AOMI . Cette affection est sous dépistée, sous diagnostiquée , et sous traitée. Pourquoi ? Parce qu'à la base la clinique n 'est pa évlauée à sa juste valeur? Les patients avec AOMI sont difficiles à prendre en charge car il leur faut changer de vie. Enfin les traitements médicaux sous sous estimés et les traitements endovasculaires sont sur utilisés à tord. Quand on aura réglé tous ces problèmes on pourra alors voire ce que l'IA pourra nous apporter.
"Sténose carotidienne
La sténose carotidienne est une autre maladie liée à l'athérosclérose et est associée à un risque d'événements cérébrovasculaires, notamment un accident vasculaire cérébral ischémique ou des accidents ischémiques transitoires . Lorsqu’une sténose carotidienne est diagnostiquée, les principales questions qui se posent aux cliniciens sont les suivantes : doit-elle être traitée ? Si oui, quand et comment ? . Plusieurs modèles prédictifs de ML ont été construits pour identifier les modèles prédictifs de risque d'accident vasculaire cérébral à partir de la caractérisation des plaques carotides en imagerie, notamment l'imagerie par résonance magnétique, l'angiographie par tomodensitométrie ou l'échographie . Ces études soutiennent l'utilisation de l'IA pour aider à la prise de décision clinique pour la gestion de la sténose carotidienne, bien que les modèles doivent encore être validés avant leur utilisation dans la pratique clinique."
Un autre bémol pour les sténoses carotidiennes. IOn ne peu s'abriter derrière l'IA pour tout régler. En fait nois avons tous les outils pour prédire le caractère vulnérable d'une plaque carotidienne : l'écho Doppler, le monitorage cérébale par Doppler transcanien à la recherche de HITS, la vasoréactivité cérébrale, le GSM de la plaque carotidienne et enfin la prise de contraste (Sonovue) de la plaque carotidienne. Ces différents outils fonctionnent mais pas de validation, Aujourd'hui aucun chirurgien ne va intervenir sur quelques HITS intra crânien s pour une sténose de 50% symptomatique etc. Les études en IRM et au scanner sont intéressantes et pertinentes avec une optimisation possible par l'IA. Mais si on peut rester plus simple toiu en étant aussi performant et avec un coût minime . l faut persister et valider ce dont on dispose. A noter que les ultrasons qui existent en 3D et 4D pour l'obstétrique et la cardiologie, sont déséspemment en panne en vasculaire, pourquoi ? Dernier point il serait possible d'embarquer des outils de mesure de la paroie artérielle, de la distensibilté de celle ci , de ses vibrations etc mais là aussi panne totale. L'IA pourra t-elle réparer ces erreurs ? L(IA embarquée dans les appareils d'échographie, une nécessité absolue.
"Défis par les auteurs de l'article
"Bien que l’IA offre un large éventail d’applications pour améliorer la prise de décision en matière de chirurgie vasculaire, il existe plusieurs obstacles à sa mise en œuvre immédiate dans la pratique clinique.
Premièrement, les performances des modèles ML dépendent des ensembles de données utilisés pour la formation. La création de grandes bases de données internationales peut contribuer à garantir l’équité algorithmique en développant des modèles robustes qui restent précis, même en cas de conditions ou d’événements rares. La formation de modèles d’IA à partir de données réelles dynamiques et continuellement mises à jour pourrait également aider à développer des pronostics en temps réel, à guider une thérapie personnalisée et à améliorer la génération de preuves pour les directives cliniques.
"Bien que l’IA offre un large éventail d’applications pour améliorer la prise de décision en matière de chirurgie vasculaire, il existe plusieurs obstacles à sa mise en œuvre immédiate dans la pratique clinique.
Premièrement, les performances des modèles ML dépendent des ensembles de données utilisés pour la formation. La création de grandes bases de données internationales peut contribuer à garantir l’équité algorithmique en développant des modèles robustes qui restent précis, même en cas de conditions ou d’événements rares. La formation de modèles d’IA à partir de données réelles dynamiques et continuellement mises à jour pourrait également aider à développer des pronostics en temps réel, à guider une thérapie personnalisée et à améliorer la génération de preuves pour les directives cliniques.
Deuxièmement, la plupart des algorithmes de ML développés jusqu'à présent ont été formés et validés à l'aide de cohortes rétrospectives. Une validation externe dans des cohortes multicentriques et des études prospectives est nécessaire pour évaluer la généralisabilité des modèles. À notre connaissance, aucun résultat d’ essais cliniques randomisés évaluant l’utilisation d’outils d’IA en chirurgie vasculaire n’a été publié, bien que certains essais aient été enregistrés récemment et pourraient fournir de nouvelles informations. La plupart des études réalisées jusqu’à présent ont comparé les performances des modèles d’IA avec la vérité terrain fournie par des experts humains. Outre la précision, les bénéfices cliniques en termes de résultats pour les patients et d’impact économique restent à évaluer.
Un autre aspect soulevé par l’IA est l’explicabilité, ainsi que la responsabilité, des modèles, dans la mesure où ils fonctionnent comme des « boîtes noires », ce qui rend difficile d’expliquer précisément comment ils fonctionnent, de déterminer les liens de causalité et de définir qui est responsable de leur fonctionnement. le processus . Les programmes d’IA et de ML sont considérés comme des produits médicaux et peuvent donc répondre aux exigences réglementaires. Bien que le cadre général des considérations juridiques relatives aux produits médicaux ait été défini par les lois de l'Union européenne et par la Food and Drug Administration des États-Unis, des groupes multidisciplinaires d'experts travaillent actuellement sur des lignes directrices liées à l'IA et à la santé qui contribueront à améliorer la normalisation pour valider les outils d'IA [.
Les modèles d'IA doivent garantir la confidentialité, la protection des données et la sécurité des patients à toutes les étapes, de la conception au développement, en passant par la validation et la fourniture de services aux utilisateurs finaux, conformément au règlement général sur la protection des données de l'Union européenne et à la loi sur la portabilité et la responsabilité de l'assurance maladie de 1996. ux États-Unis. Enfin, des considérations techniques et économiques sont également en jeu pour la mise en œuvre de systèmes d’aide à la décision basés sur l’IA. L
La puissance et le temps de calcul doivent être adaptés aux ressources, à l'infrastructure et à l'organisation des soins de santé.systèmes pour répondre aux bénéfices attendus en fonction de l’usage prévu. Par ailleurs, qui devrait apporter un soutien financier à la mise en œuvre des technologies d’IA ? Jusqu’à présent, seules quelques études ont étudié le rapport coût-efficacité des techniques d’IA pour la gestion des maladies vasculaires. Une analyse plus approfondie de l’impact médico-économique pourrait aider à mieux définir les stratégies du système de santé pour le développement, la mise en œuvre et les politiques de remboursement des applications de l’IA."
Les modèles d'IA doivent garantir la confidentialité, la protection des données et la sécurité des patients à toutes les étapes, de la conception au développement, en passant par la validation et la fourniture de services aux utilisateurs finaux, conformément au règlement général sur la protection des données de l'Union européenne et à la loi sur la portabilité et la responsabilité de l'assurance maladie de 1996. ux États-Unis. Enfin, des considérations techniques et économiques sont également en jeu pour la mise en œuvre de systèmes d’aide à la décision basés sur l’IA. L
La puissance et le temps de calcul doivent être adaptés aux ressources, à l'infrastructure et à l'organisation des soins de santé.systèmes pour répondre aux bénéfices attendus en fonction de l’usage prévu. Par ailleurs, qui devrait apporter un soutien financier à la mise en œuvre des technologies d’IA ? Jusqu’à présent, seules quelques études ont étudié le rapport coût-efficacité des techniques d’IA pour la gestion des maladies vasculaires. Une analyse plus approfondie de l’impact médico-économique pourrait aider à mieux définir les stratégies du système de santé pour le développement, la mise en œuvre et les politiques de remboursement des applications de l’IA."
Jean-Claude Heudin, « L'intelligence artificielle, bientôt candidate à l'Élysée ? » (2017)
Gérard Berry, « Intelligence artificielle : des capacités similaires à l'intuition humaine » (2016)
Article passionnant , mes "bémols " ne sont là que pour susciter la réflexion.
L'IA ne peut pas tout régler en vasculaire.
Concernant la maladie thrombo embolique veineuse , l'IA pourrait nous aider de manière importantes:
* Prédire la durée de l'anticiagulation
* Prédire la récidive
* Mieux évaluer le risque hémorragique
* Rechercher plus facilemement l'étiologie d'une MTEV sans aucun facteur déclenchant notamment la recherche d'un cancer. Pour ce dernier la biopsie liquide est certainement la bonne solution
* Prédire le risque de maladie veineuse post thrombotique
* Prédire mieux le risque de MTEV au décours du cancer
Les auteurs sont issus des centres suivant , en gras les sites dédiés à 'IA
a Department of Vascular Surgery, Hospital of Antibes Juan-les-Pins, Antibes, France
b UniversitéCôte d’Azur, INSERM U1065, C3M, Nice, France
c Amsterdam University Medical Center, Vrije Universiteit Amsterdam, Department of Surgery, Amsterdam Cardiovascular Sciences, Amsterdam, The Netherlands
d Institute 3IA Côte d’Azur, UniversitéCôte d’Azur, Côte d’Azur, France : https://3ia.univ-cotedazur.eu/ (site à visiter)
e Epione Team, Inria, UniversitéCôte d’Azur, Sophia Antipolis, France
f Bedfordshire-Milton Keynes Vascular Centre, Bedfordshire Hospitals NHS Foundation Trust, Bedford, UK
g Brandenburg Medical School Theodor-Fontane, Neuruppin, Germany
h Department of Vascular and Endovascular Surgery, Asklepios Medical School Hamburg, Asklepios Clinic Wandsbek, Hamburg, Germany
i Department of Vascular Surgery, School of Health Sciences, Faculty of Medicine, University Hospital of Larissa, University of Thessaly, Larissa, Greece
b UniversitéCôte d’Azur, INSERM U1065, C3M, Nice, France
c Amsterdam University Medical Center, Vrije Universiteit Amsterdam, Department of Surgery, Amsterdam Cardiovascular Sciences, Amsterdam, The Netherlands
d Institute 3IA Côte d’Azur, UniversitéCôte d’Azur, Côte d’Azur, France : https://3ia.univ-cotedazur.eu/ (site à visiter)
e Epione Team, Inria, UniversitéCôte d’Azur, Sophia Antipolis, France
f Bedfordshire-Milton Keynes Vascular Centre, Bedfordshire Hospitals NHS Foundation Trust, Bedford, UK
g Brandenburg Medical School Theodor-Fontane, Neuruppin, Germany
h Department of Vascular and Endovascular Surgery, Asklepios Medical School Hamburg, Asklepios Clinic Wandsbek, Hamburg, Germany
i Department of Vascular Surgery, School of Health Sciences, Faculty of Medicine, University Hospital of Larissa, University of Thessaly, Larissa, Greece
j Clinical Chemistry Laboratory, University Hospital of Nice, Nice, France
L'IA en médecin nécessite des équipes à la fois médicale, de recherche , de spécialistes en IA, c'est ce qu'il faut mettre en place au sein de la SFMV rapidement avant d'être totalement dépassé;,un groupe de travail IA est nécessaire, est indispensable. On doit créer une synergie avec d'autres centres vasculaires, une IA VASCULAURE SYNERGIE........le nouveau bureau de la SFMV qui prendra pour 3 ans la direction de la SFMV doit enclancher ce mouvement. Un groupe inter CHU-IA VASCULAIRE sera nécessaire auinsi qu'une association avec les centres universiatires dédiés à l'IA.
L'IA en médecin nécessite des équipes à la fois médicale, de recherche , de spécialistes en IA, c'est ce qu'il faut mettre en place au sein de la SFMV rapidement avant d'être totalement dépassé;,un groupe de travail IA est nécessaire, est indispensable. On doit créer une synergie avec d'autres centres vasculaires, une IA VASCULAURE SYNERGIE........le nouveau bureau de la SFMV qui prendra pour 3 ans la direction de la SFMV doit enclancher ce mouvement. Un groupe inter CHU-IA VASCULAIRE sera nécessaire auinsi qu'une association avec les centres universiatires dédiés à l'IA.
Un article publié en 2019 dans Nature Medicine (Topol, E.J. Médecine performante : la convergence de l’intelligence humaine et artificielle. Nat Med 25, 44-56 (2019). https://doi.org/10.1038/s41591-018-0300-7 : médecine performante : la concergence de l'intelligence humaine et artificielle est à lire ou relire
Un extrait : "L’utilisation de l’intelligence artificielle, et du sous-type d’apprentissage profond en particulier, a été rendue possible par l’utilisation de mégadonnées étiquetées, ainsi que par une puissance de calcul et un stockage en nuage nettement améliorés, dans tous les secteurs. En médecine, cela commence à avoir un impact à trois niveaux : pour les cliniciens, principalement via une interprétation rapide et précise des images ; pour les systèmes de santé, en améliorant le flux de travail et le potentiel de réduction des erreurs médicales; et pour les patients, en leur permettant de traiter leurs propres données pour promouvoir la santé. Les limites actuelles, y compris les préjugés, la confidentialité et la sécurité, et le manque de transparence, ainsi que les orientations futures de ces applications seront discutées dans cet article. Au fil du temps, des améliorations marquées de la précision, de la productivité et du flux de travail seront probablement actualisées, mais il reste à voir si cela sera utilisé pour améliorer la relation patient-médecin ou faciliter son érosion."
Un extrait : "L’utilisation de l’intelligence artificielle, et du sous-type d’apprentissage profond en particulier, a été rendue possible par l’utilisation de mégadonnées étiquetées, ainsi que par une puissance de calcul et un stockage en nuage nettement améliorés, dans tous les secteurs. En médecine, cela commence à avoir un impact à trois niveaux : pour les cliniciens, principalement via une interprétation rapide et précise des images ; pour les systèmes de santé, en améliorant le flux de travail et le potentiel de réduction des erreurs médicales; et pour les patients, en leur permettant de traiter leurs propres données pour promouvoir la santé. Les limites actuelles, y compris les préjugés, la confidentialité et la sécurité, et le manque de transparence, ainsi que les orientations futures de ces applications seront discutées dans cet article. Au fil du temps, des améliorations marquées de la précision, de la productivité et du flux de travail seront probablement actualisées, mais il reste à voir si cela sera utilisé pour améliorer la relation patient-médecin ou faciliter son érosion."
A LIRE
"A long terme, la réalisation d'un événement improbable tend vers la certitude"
Enigmes et Controverses (1980) de Jean Largeault
"Hegel croyait que la raison se manifeste dans la nature et que l’idée engendre le fait. Cet idéalisme s’est heurté à l’absurde. Nous devons retourner les tables. La nature se manifeste dans la raison, dans des structures géométriques ou topologiques qui peuvent contribuer à l’expliquer. On n’échappe pas à cette circularité." Jean Largeault
Comment survivre à l'Intelligence Artificielle ?
Comment survivre à l'Intelligence Artificielle ?
"Avec le Deep Learning, l’Intelligence Artificielle est (re)devenue un sujet à la mode, le mythe d’une super-intelligence en croissance exponentielle. Pour certains experts, à l’instar de l’électricité, c’est une révolution qui va transformer le monde. A l’inverse, d’autres y voient la plus grande menace qui pèse sur l’humanité. Il est donc parfois difficile de s’y retrouver. " Jean-Claude Heudin
Question à CHATGPT
Quelles sont les limites de l'intelligence artificielle en médecine ?
L'intelligence artificielle (IA) présente un grand potentiel dans le domaine de la médecine, mais elle comporte également certaines limites et défis.
Voici quelques-unes des principales limites de l'IA en médecine :
Manque de données de qualité : L'IA en médecine dépend fortement de données de haute qualité pour l'entraînement et la prise de décision. Cependant, la collecte de données médicales précises et complètes peut être difficile en raison de problèmes de confidentialité, de standardisation et de fragmentation des dossiers médicaux.
Biais des données : Les données médicales peuvent contenir des biais, ce qui peut entraîner des prédictions inexactes ou discriminatoires. Par exemple, si les données d'entraînement sont principalement basées sur une population particulière, l'IA peut ne pas être aussi précise pour d'autres groupes ethniques ou démographiques.
Interprétation contextuelle : L'IA peut avoir du mal à comprendre le contexte complet des patients, y compris leurs antécédents médicaux, leurs préférences personnelles et leurs valeurs. Cela peut entraîner des recommandations ou des décisions qui ne sont pas adaptées à la situation individuelle.
Responsabilité et éthique : Déterminer la responsabilité en cas d'erreur médicale impliquant une IA peut être complexe. De plus, l'utilisation de l'IA soulève des questions éthiques liées à la confidentialité des données, à la transparence des algorithmes et à la prise de décision automatisée.
Complexité des diagnostics : Certaines maladies et affections médicales sont complexes et multifactorielles, ce qui rend difficile la création d'algorithmes d'IA précis pour le diagnostic. L'IA peut également avoir du mal à détecter des symptômes subtils ou rares.
Réglementation et validation : Les régulateurs médicaux doivent élaborer des normes strictes pour l'approbation et la réglementation des systèmes d'IA en médecine. Il est essentiel de garantir que ces systèmes sont sûrs, efficaces et fiables.
Coût et accessibilité : Le développement, la mise en œuvre et la maintenance de systèmes d'IA en médecine peuvent être coûteux, ce qui peut limiter leur adoption dans certaines régions ou pour certains patients.
Relation médecin-patient : L'IA peut potentiellement modifier la dynamique de la relation médecin-patient, en introduisant un tiers (l'IA) dans la prise de décision médicale. Il est important de veiller à ce que l'IA améliore cette relation plutôt que de la compromettre.
En résumé, bien que l'IA offre de nombreuses opportunités passionnantes en médecine, elle présente également des défis importants.
La collaboration entre les professionnels de la santé, les chercheurs en IA, les régulateurs et les éthiciens est essentielle pour maximiser les avantages de l'IA tout en atténuant ses limites et ses risques.
La collaboration entre les professionnels de la santé, les chercheurs en IA, les régulateurs et les éthiciens est essentielle pour maximiser les avantages de l'IA tout en atténuant ses limites et ses risques.