Nouvelles promesses de l’IA dans le diagnostic médical

Tout sur la gestion des risques en santé
                et la sécurité du patient

Nouvelles promesses de l’IA dans le diagnostic médical : ne pas faire à votre place, mais vous orienter et vous aider

  • Réduire le texte de la page
  • Agrandir le texte de la page
  • Facebook
  • Twitter
  • Messages0
  • Imprimer la page
  • Les nouvelles promesses de l’Intelligence Artificielle dans le diagnostic médical

Un article récent publié dans le JAMA nous propose un nouveau regard sur une inflexion significative des outils à base d’intelligence artificielle (IA) appliqués au diagnostic médical. Découvrez les principaux éléments de ce point de vue original et prospectif, avec tout ce qu’il a de prometteur, mais aussi d’incertain.

Auteur : le Pr René AMALBERTI, Docteur en psychologie des processus cognitifs, ancien conseiller HAS / MAJ : 11/02/2022

l’intelligence artificielle appliquée au diagnostic médical n’est pas une solution-miracle

L'amélioration du processus de diagnostic est une priorité médicale.

Avec la numérisation des dossiers de santé et l'expansion rapide des données de santé, le travail de diagnostic est à la fois facilité et plus complexe avec l’avancée des connaissances.

L'utilisation de l'IA pour aider au diagnostic promet depuis plusieurs années de fournir "le bon diagnostic" et évidemment de réduire les erreurs de diagnostic associées. 

Hélas, on est encore loin du compte avec les outils d’IA aujourd’hui disponibles. 

La raison essentielle à ce décalage tient sans doute à l’ambition exagérée et la conception de ces systèmes qui prétendaient "mettre une étiquette" diagnostique à la place du médecin en partant de quelques données d’entrée, alors qu’ils n’en sont que peu capables, sauf quelques cas particuliers (par exemple, l'analyse d'images basée sur l'IA peut prédire la rétinopathie diabétique, de même que l’IA peut être très efficace sur certains diagnostics dermatologiques). 

Mais pour la plupart des cas, ces outils négligent le travail intellectuel réalisé par le médecin en amont de la navigation dans les nœuds de décision et le long du cheminement diagnostique ; ces systèmes restent opaques dans leurs logiques et leurs raisonnements, et donc peu susceptibles de gagner la confiance des cliniciens, sans parler des questions juridiques de responsabilité médicale soulevées par de tels systèmes.

Il faudrait plutôt maintenant penser ces outils comme des aides à la navigation pour le médecin dans un processus de raffinement dynamique du diagnostic, laissant l’étiquette finale du diagnostic à charge du médecin.

L’orientation diagnostique

L'orientation est le processus de détermination d'une position actuelle et de navigation sur un itinéraire entre une origine et une destination.

Les éléments de base de l'orientation sont :

  • l'orientation (quel est l'emplacement et la situation contextuelle de départ ?),
  • la sélection du chemin (quel chemin emprunter pour explorer la pathologie ?),
  • la surveillance de l'itinéraire (est-ce la bonne voie ?),
  • la reconnaissance de la destination (est-ce le point final qui conduit effectivement au diagnostic ?). 

L'orientation fait également référence aux indices environnementaux qui orientent les gens et les aident à choisir un chemin dans des espaces complexes tels que les aéroports et les hôpitaux (par exemple, la courbure et la couleur des couloirs qui guident inconsciemment une personne vers sa destination finale). Une orientation efficace réduit la charge cognitive lors de la navigation dans un voyage complexe. Elle fonctionne en arrière-plan, l'individu ne sachant ni pourquoi ni comment.

Du point de vue du clinicien, le parcours diagnostique commence par l'évaluation des signes et des symptômes du patient, qui à son tour déclenche la collecte d'informations (par exemple, poser des questions ou examiner le dossier médical).

Au fur et à mesure que le clinicien intègre et interprète les données accumulées, les prochaines étapes sont planifiées, souvent avec une direction générale ou des destinations potentielles (hypothèses diagnostiques) à l'esprit.

Au fur et à mesure que les étapes suivantes sont poursuivies, de nouvelles informations sont générées (par exemple, résultat de test ou examen physique), qui déclenchent une autre série de cycles d'acquisition-intégration des données.

Au fur et à mesure que les cycles se répètent, l'incertitude est réduite et la destination devient plus claire.

Le parcours diagnostique se termine lorsque le clinicien et le patient ont suffisamment réduit l'incertitude pour se concentrer sur les décisions de gestion. 

Un cas pratique imaginé

Un tel système d’aide à base d’IA pourrait s’appliquer à l'évaluation d'un patient qui se présente à un médecin généraliste avec un essoufflement progressif. 

Pour faciliter la collecte d'informations, l’outil d'IA, reconnaissant le contexte de la dyspnée chez ce patient adulte, pourrait effectuer une recherche automatique dans les dossiers sur des données pertinentes en lien avec des dyspnées (par exemple des échocardiogrammes récents ou des rapports de cathétérisme cardiaque), ainsi que pour d'autres facteurs de risque (par exemple une cure récente de stéroïdes ou des antécédents éloignés de maladie thrombo-embolique) qui pourraient changer la façon de penser du clinicien. 

Le même outil d’IA, à peine plus sophistiqué, pourrait s'engager dans le traitement du langage naturel en temps réel de l'entretien clinique et suggérer des questions qui pourraient être pertinentes pour déterminer le diagnostic précis (par exemple, les expositions professionnelles).

Au fur et à mesure que le clinicien intègre les informations, l'IA pourrait détecter des modèles dans les données et dire du patient (tels que la qualité du sommeil ou la distance de marche) et suggérer des questions supplémentaires (par exemple, le dépistage de l'apnée du sommeil) ou des tests (par exemple, la mesure de "l'index Pression artérielle cheville-bras").

Ces outils d'IA pourraient aider le clinicien en interprétant le contexte et en plaçant des indices et des conseils le long du cheminement diagnostique.

Pour développer de tels outils, de nouveaux types de données doivent aussi être générés.

Parallèlement aux informations (cliniques) centrées sur le patient, de nouvelles données centrées sur le clinicien pourraient être acquises pour saisir les actions/habitudes/stratégies des cliniciens au cours du processus de diagnostic (par exemple, quelles données le clinicien a l’habitude d’examiner lors de l'évaluation d'un patient souffrant de lombalgie) et les facteurs contextuels qui entourent le clinicien et patient au cours de ces processus (par exemple, structure de l'équipe, volume de patients).

Compte tenu de l'étendue des scénarios de diagnostic, les ensembles de données initiaux devraient se concentrer sur la caractérisation des nœuds de traitement de l'information et de décision dans le processus de diagnostic pour les symptômes courants.

Ces techniques pourraient permettre la découverte de voies de diagnostic plus efficaces et plus précises.

Par exemple, un algorithme d'IA pourrait donner la priorité à une excision de nodules pulmonaires au lieu des étapes intermédiaires traditionnelles de tests de laboratoire, de l'imagerie supplémentaire ou des périodes d'observation.

Cela peut sembler illogique ou anormal, mais le système d'IA, non contraint par des pratiques standards qui ont du sens pour les cliniciens, peut utiliser toute la base de données passées, et proposer de vraies approches alternatives.

Références
Adler-Milstein, J., Chen, J. H., & Dhaliwal, G. (2021). Next-Generation Artificial Intelligence for Diagnosis: From Predicting Diagnostic Labels to “Wayfinding”. JAMA.2021;326(24):2467-2468. doi:10.1001/jama.2021.22396 >