« 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
« Les robots ne remplaceront pas les humains, ils rendront leur travail plus humain. Les tâches difficiles, dégradantes, exigeantes, dangereuses et ennuyeuses seront prises en charge par les robots. » Sabine Hauert
Reyes Gil M, Pantanowitz J, Rashidi HH. 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
Thromb Res. 2024 Oct;242:109121. doi: 10.1016/j.thromres.2024.109121. Epub 2024 Aug 23. PMID: 39213896.
https://www.thrombosisresearch.com/article/S0049-3848(24)00253-6/fulltext
Article libre d'accès
Dans cette revue, nous nous lançons dans une exploration complète de la thromboembolie veineuse (MTEV) dans le contexte de l'histoire médicale et de sa pratique actuelle en médecine. Nous nous plongeons 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 notre discours 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.
Nous mettons en lumière le potentiel des grands modèles linguistiques 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. Nous concluons 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 déterminant pour garantir que la promesse de l’IA se réalise pleinement 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 (MTEV), 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 (TEV) 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 la TEV 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 thromboembolie veineuse (TEV). A) La recherche sur PubMed pour « IA » et « TEV » 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 TEV. Ensuite, davantage de publications ont commencé à se concentrer sur l'utilisation de l'IA pour la détection de la TEV dans les images radiologiques. Depuis le milieu des années 2010, plusieurs publications ont émergé appliquant des algorithmes ML pour prédire les TEV dans des populations spécifiques (patients hospitalisés, 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 illustré ci-dessus, seulement environ 15 % des études dans ce domaine bénéficient actuellement d'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 qui sont 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 qui assume 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).
Orientations futures
De nombreuses études réalisées dans ce domaine manquent de généralisabilité et de validation secondaire et tertiaire dans différents instituts. De nombreuses autres études ne peuvent pas être généralisées car les données sont limitées à certaines populations, à certaines indications ou à des scénarios spécifiques.
Une solution à ces problèmes et limitations pourrait être la création d’un grand référentiel de données provenant de plusieurs sites, idéalement de plusieurs pays, comprenant une large cohorte d’horizons divers.
Cette banque de données fédérée multicentrique pourrait être composée de données du monde réel. Alternativement, une biobanque de données synthétiques pourrait être générée et servir de base à l’évaluation de toutes les nouvelles plateformes d’IA dans ce domaine. Cela pourrait représenter une norme internationale de l’Organisation mondiale de la santé (« OMS ») pour mesurer de manière égale différents algorithmes et modèles. Cette biobanque de données et la norme de l’OMS pourraient être utilisées pour la surveillance continue des modèles d’IA déployés afin de détecter les données ou de prédire les dérives. Cette biobanque devrait également évoluer en fonction des avancées futures de l’IA, tout comme les banques de données génomiques continuent d’être mises à jour à mesure que notre compréhension du génome s’améliore.
Outils d'IA pour aider les patients à évaluer les facteurs de risque et fournir des conseils médicaux de premiers secours en cas d'urgence thromboembolique veineuse (TEV)
Bien que les assistants chatbots d'IA à grands modèles de langage (LLM) comme ChatGPT d'OpenAI ou Gemini de Google puissent donner des conseils spécifiques sur de nombreux sujets généraux, y compris des conseils médicaux généraux, ils ne sont toujours pas en mesure d'offrir des conseils spécifiques et exploitables pour la situation médicale spécifique d'un individu, car ces modèles GPT généraux s'en tiennent à l'énoncé de faits médicaux plutôt qu'à l'analyse de la situation spécifique et à l'élaboration d'une réponse personnalisée ou d'un plan d'action par étapes.
Ainsi, ces assistants d'IA peuvent encore à l'heure actuelle ne pas être en mesure d'aider une personne à fournir l'ensemble approprié de mesures de premiers secours en cas d'embolie grave, dans laquelle l'attente d'une aide médicale professionnelle n'est pas toujours une option tenable en raison du risque imminent de lésions corporelles graves ou de décès si aucune mesure immédiate n'est prise.
Ainsi, il peut être utile de développer un LLM personnalisé (par exemple via RAG : Retrieval Augmented Generation ou Fine-Tuned models ou une combinaison de ceux-ci) avec des capacités améliorées pour fournir des conseils médicaux nuancés et exploitables sur la manière spécifique de prodiguer les premiers soins en fonction des détails exacts de l'urgence TVP d'un patient individuel.
Un endroit où un assistant IA spécifique à la thrombose veineuse (TEV) formé pour guider les urgences médicales pourrait être particulièrement utile est dans les avions, où la thrombose veineuse (TEV) représente une menace particulièrement puissante en raison d'une tempête parfaite de basse pression dans la cabine entraînant une diminution de la pO2 sanguine , une immobilité prolongée et un risque de déshydratation si les passagers oublient d'apporter de l'eau ou décident d'acheter de l'alcool au lieu de boissons hydratantes. En particulier si l'on considère que la thrombose veineuse (TEV) peut survenir sur des vols internationaux long-courriers où l'avion est à plusieurs heures de la terre dans chaque direction, avoir un assistant IA spécialisé pour guider toute personne dans la fourniture des premiers soins pour la thrombose veineuse (TEV) est bien mieux que rien dans les cas où une embolie est trop grave pour attendre plusieurs heures une aide médicale professionnelle
Possibilité de mettre en place des outils de guidage VTE basés sur l'IA en vol. Bien que l'IA n'ait pas encore été appliquée de cette manière, si des LLM d'IA spécifiques devaient être formés sur de grandes quantités de données VTE, ils pourraient déjà probablement être appliqués à la création d'outils de chatbot d'IA en vol pour le dépistage préventif des VTE et pour fournir des conseils de premiers secours en cas d'urgence VTE à bord des avions. (Les illustrations incorporées dans cette figure ont été générées de novo à l'aide de DALL-E via ChatGPT-4).
Le personnel de bord pourrait avoir accès à cet assistant IA spécialisé sur ses appareils pour guider l'administration des premiers soins en cas d'urgence thrombose veineuse. De plus, pour essayer de prévenir ces situations désastreuses en premier lieu, cet assistant clinique basé sur l'IA pourrait également être spécialisé pour aider les passagers à évaluer leur risque personnel de développer une thrombose veineuse (TEV) à bord et leur proposer des mesures spécifiques à prendre pendant le vol pour atténuer ces risques ( Fig. 8 ). Étant donné que de nombreuses compagnies aériennes proposent aujourd'hui le Wi-Fi à bord moyennant des frais et que quelques services sont accessibles gratuitement, cet assistant pourrait être inclus dans les services Wi-Fi à bord offerts gratuitement aux passagers. Bien qu'un assistant IA formé médicalement ne sera jamais aussi efficace qu'un véritable expert médical à bord, il est toujours bien mieux que de ne rien avoir lorsqu'une urgence thromboembolique veineuse survient et qu'il n'y a pas de praticien clinique compétent à bord. Même s'il y a un médecin à bord, il peut ne pas être un spécialiste des thromboses veineuses, auquel cas le fait d'avoir une IA spécialisée dans les conseils de premiers secours en cas de thrombose veineuse, en combinaison avec les connaissances cliniques générales et le jugement du médecin, pourrait suffire à ce dernier pour prendre les mesures appropriées pour sauver la vie du patient . En effet, il a été démontré que le ChatGPT (un LLM général) peut parfois égaler ou même surpasser les médecins urgentistes en termes d'expertise diagnostique, de sorte que la possibilité d'un modèle LLM personnalisé précis (c'est-à-dire RAG et/ou modèle affiné) spécialisé pour fournir des conseils détaillés sur la TVP est peut-être une idée réalisable .
Conclusion
Le personnel de bord pourrait avoir accès à cet assistant IA spécialisé sur ses appareils pour guider l'administration des premiers soins en cas d'urgence thrombose veineuse. De plus, pour essayer de prévenir ces situations désastreuses en premier lieu, cet assistant clinique basé sur l'IA pourrait également être spécialisé pour aider les passagers à évaluer leur risque personnel de développer une thrombose veineuse (TEV) à bord et leur proposer des mesures spécifiques à prendre pendant le vol pour atténuer ces risques ( Fig. 8 ). Étant donné que de nombreuses compagnies aériennes proposent aujourd'hui le Wi-Fi à bord moyennant des frais et que quelques services sont accessibles gratuitement, cet assistant pourrait être inclus dans les services Wi-Fi à bord offerts gratuitement aux passagers. Bien qu'un assistant IA formé médicalement ne sera jamais aussi efficace qu'un véritable expert médical à bord, il est toujours bien mieux que de ne rien avoir lorsqu'une urgence thromboembolique veineuse survient et qu'il n'y a pas de praticien clinique compétent à bord. Même s'il y a un médecin à bord, il peut ne pas être un spécialiste des thromboses veineuses, auquel cas le fait d'avoir une IA spécialisée dans les conseils de premiers secours en cas de thrombose veineuse, en combinaison avec les connaissances cliniques générales et le jugement du médecin, pourrait suffire à ce dernier pour prendre les mesures appropriées pour sauver la vie du patient . En effet, il a été démontré que le ChatGPT (un LLM général) peut parfois égaler ou même surpasser les médecins urgentistes en termes d'expertise diagnostique, de sorte que la possibilité d'un modèle LLM personnalisé précis (c'est-à-dire RAG et/ou modèle affiné) spécialisé pour fournir des conseils détaillés sur la TVP est peut-être une idée réalisable .
Conclusion
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 M(TEV), nous avons déjà vu l’IA appliquée à plusieurs domaines, notamment :
* les applications radiologiques pour un dépistage et une identification meilleurs et plus automatisés de la 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 ;
* l’utilisation de l’IA pour les applications CDS (Les outils d'aide à la décision clinique )
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 M(TEV), nous avons déjà vu l’IA appliquée à plusieurs domaines, notamment :
* les applications radiologiques pour un dépistage et une identification meilleurs et plus automatisés de la 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 ;
* l’utilisation de l’IA pour les applications CDS (Les outils d'aide à la décision clinique )
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 M TEV 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.
(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 M TEV 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, afin de garantir que les patients atteints de MTEV 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, afin de garantir que les patients atteints de MTEV récolteront tous les avantages des soins intégrés ML/IA, en vaut certainement la peine.
Déclaration d’IA générative et de technologies assistées par IA dans la préparation du manuscrit.
Lors de la préparation de ce travail, les auteurs ont utilisé DALL-E (via ChatGPT-4) afin de réaliser une génération de novo de certaines des images d'illustration originales utilisées dans les figures de cet article. Après avoir utilisé cet outil/service, les auteurs ont révisé et édité le contenu selon les besoins et assument l'entière responsabilité du contenu de la publication.
Commentaire
Un projet franco européen managé par Francis Couturaud est en marche, projet MORPHEUS
Commentaire
Un projet franco européen managé par Francis Couturaud est en marche, projet MORPHEUS
Sur la base d’approches quantitatives et qualitatives, le projet MORPHEUS va combiner pour la première fois des biomarqueurs cliniques, biologiques et morphologiques (médecine de précision) et des marqueurs socio-anthropologiques (médecine personnalisée) dans un outil de prédiction de risque intégré à une processus de décision médicale partagée afin d’aider à la décision thérapeutique (durée et modalités de traitement). L’objectif est ainsi de valider un outil temps-dépendant, multi-niveau intégré à un processus de décision médicale partagée pour optimiser le traitement au long cours de la MTEV non provoquée. Il s’agit d’un projet innovant de rupture aux interfaces entre les disciplines cliniques et scientifiques susceptible d’avoir des implications scientifiques, de santé publique, économiques et sociétales majeure
Innovation mondiale : l’espoir d’un outil prédictif pour les thromboses sans cause identifiable (MORPHEUS)
Ce que pourrait apporter l'IA dans la MTEV
une gestion prédictive majeure : prédire la survenue d'une MTEV chez un sujet à risque de MTEV, afin d'éviter les explorations et les traitements anticoagulants inutiles
* Prédire le risque de récidive de la MTEV
* Prédire le risque hémorragique des anticoagulants
* Prédire le risque de récidive
* Prédire le risque de cancer en cas de MTEV sans aucun facteur déclenchant
L' IA nous fera accéder à une médecine de précision, il s'agit d'une médecine augmentée; mais il faudra aussi régler le problème majeur de l'IA actuellement , son empreinte carbone.....
IA-VASC / SFMV au cœur de l'IA vasculaire
IA et MTEV by PERPLEXITY IA
L'intelligence artificielle (IA) joue un rôle croissant dans la gestion de la maladie thromboembolique veineuse (MTEV), offrant des avancées significatives dans plusieurs domaines:
Détection et diagnostic
Un algorithme basé sur l'IA (AutoDVT) a été développé pour distinguer les patients atteints de thrombose veineuse profonde, permettant potentiellement d'accélérer le diagnostic et d'en réduire le coût- Des systèmes d'IA analysent les images médicales comme les scanners CT pour détecter automatiquement les embolies pulmonaires. Par exemple, l'application AIDOC utilisée à l'UZ Brussel alerte les médecins en cas de suspicion d'embolie pulmonaire sur un scanner
Prédiction et prévention
L'IA contribue à la prédiction et à la prévention des thromboses:
L'étude MORPHEUS vise à créer un outil prédictif basé sur l'IA pour identifier les patients à risque de récidive de MTEV- Un projet collaboratif entre l'Institut Curie et LEO Pharma utilise l'IA pour identifier les facteurs de risque de thrombose chez les patients atteints de cancer
Suivi et surveillance
Le projet ThrombUS+ développe un dispositif portable utilisant l'IA pour la surveillance continue et autonome des patients à risque de thrombose veineuse profonde
A LIRE
Intelligence artificielle et Médecine
https://www.prodigeoassurances.com/newsletter/parlons-sante-l-intelligence-artificielle-(ia)-au-service-de-la-medecine.html
INFO PATIENT : la TVP (RMS)
https://www.prodigeoassurances.com/newsletter/parlons-sante-l-intelligence-artificielle-(ia)-au-service-de-la-medecine.html
INFO PATIENT : la TVP (RMS)
Copyright : Dr Jean Pierre Laroche / 2025