Comment le Deep Learning change les soins de santé Partie 2 : Prévention

La semaine dernière, nous avons parlé de la façon dont l'IA change la façon dont les médecins diagnostiquent les maladies et les troubles.

Mais, aussi important que soit un diagnostic rapide, peu coûteux et précis, il y a une chose qui est encore meilleure : la prévention.

Cette semaine, nous nous penchons sur la façon dont l'IA transforme la façon dont les médecins prédisent et préviennent les maladies et les hospitalisations.

Des prévisions opportunes aideront à prévenir la maladie

Chaque année, les hôpitaux américains admettent inutilement 4,4 millions de patients, ce qui coûte 30,8 milliards de dollars, selon les estimations de l'Agence américaine pour la recherche et la qualité des soins de santé.

Deux affections seulement, les maladies cardiaques et les complications du diabète, représentent la moitié de toutes les hospitalisations inutiles.

Infographie sur les maladies cardiaques (Source : Huffington Post)

Voici quelques exemples de la façon dont l'apprentissage en profondeur aide déjà à prédire et à éviter les événements de santé négatifs liés aux maladies cardiaques et au diabète :

• Des chercheurs du Center for Information and Systems Engineering de l'Université de Boston ont travaillé avec des hôpitaux locaux pour surveiller les patients souffrant de maladies cardiaques et de diabète et prédire lesquels d'entre eux nécessiteront une hospitalisation. Si les prestataires de soins de santé peuvent prédire qui aura besoin d'aide avant qu'elle ne soit nécessaire, ils peuvent prévenir bon nombre de ces hospitalisations. Le modèle d'apprentissage en profondeur utilisé par les chercheurs peut prédire avec une précision de 82 % qui devra être hospitalisé environ un an à l'avance.

• Les chercheurs de Sutter Health et du Georgia Institute of Technology peuvent désormais prédire l'insuffisance cardiaque en utilisant l'apprentissage en profondeur pour analyser les dossiers de santé électroniques jusqu'à neuf mois avant les médecins utilisant des moyens traditionnels.
• Frans Von Houten, président-directeur général de Royal Philips, a déclaré à CNBC en mai que son entreprise utilise désormais l'IA pour prédire avec précision si un patient aura une crise cardiaque quelques heures avant qu'elle ne se produise.

Mais l'IA n'aide pas seulement à prévenir les événements médicaux soudains. Cela aide également à contrecarrer la dégénérescence en cours.

Par exemple, la rétinopathie diabétique est l'une des principales causes de cécité chez les adultes en âge de travailler.

Schéma de la rétinopathie diabétique (Source : news-medical.net)

Ces complications liées au diabète résultent de pics et de chutes de la glycémie. Prévoir avec précision la glycémie est donc essentiel pour prévenir les chutes et les pics en premier lieu avec des collations et des injections d'insuline au bon moment.

Un article de juillet 2017 montre que les réseaux de neurones profonds, qui effectuent un apprentissage en profondeur, peuvent apprendre d'un groupe d'enfants diabétiques à prédire avec précision les taux de glycémie (afin d'éviter ces baisses et ces pics) chez un groupe d'enfants plus important.

La compréhension de la façon dont les gènes conduisent à la maladie s'approfondira

Une autre façon de prévenir les maladies avec l'IA est de prédire qui développera certains troubles en fonction de leur constitution génétique.

Selon l'analyste des soins de santé de Gartner, Richard Gibson, les gènes sont "la plus grande chose qui a peut-être jamais touché les soins de santé, certainement depuis l'avènement des antibiotiques en 1950".

Plus précisément, alors que les chercheurs collectent des données génomiques à des niveaux sans précédent et que les modèles d'apprentissage en profondeur facilitent plus que jamais l'analyse de ces données et l'établissement de liens, nous en apprenons énormément sur la façon dont des facteurs génétiques tels que les mutations conduisent à la maladie.

Ces progrès mènent à une médecine personnalisée ou « de précision », où l'objectif est d'adapter les traitements à la composition génomique de chaque patient.

Votre génome est l'ensemble complet d'instructions chimiques pour construire un "vous". Bien que la génomique en soit encore à ses balbutiements, certains projets progressent. Par exemple, une équipe de chercheurs de l'Université de Toronto travaille à la construction d'un moteur d'interprétation génétique pour identifier rapidement les mutations cancérigènes chez les patients individuels.

Toujours à Toronto, une startup appelée Deep Genomics applique un modèle d'apprentissage en profondeur à d'énormes ensembles de données d'informations génétiques et de dossiers médicaux pour faire correspondre les variations génétiques avec la maladie correspondante.

Les deux organisations utilisent la plate-forme informatique AI, Nvidia GPU pour leurs modèles.

Préparez-vous à un apprentissage en profondeur avec le bon logiciel

Alors que les GPU tels que ceux fabriqués par Nvidia sont essentiels pour exécuter des algorithmes d'apprentissage en profondeur, vous avez également besoin de logiciels spécialisés pour faire de l'IA médicale une réalité.

Le groupe de l'Université de Boston a pu prédire qui aurait besoin d'être hospitalisé avec une précision beaucoup plus grande que les médecins seuls, car ils ont utilisé des réseaux de neurones profonds (DNN).

Les DNN peuvent analyser jusqu'à 200 facteurs, tels que les antécédents médicaux et les informations démographiques, pour identifier ceux qui sont associés à une maladie future. Cependant, pour que le modèle DNN fonctionne, il a besoin des données des enregistrements EHR.

Un défi potentiel est que les DSE stockent généralement ce type de données dans de gros blocs de texte. Par exemple, un DSE peut avoir un dossier sur les antécédents de dépression d'un patient dans une section "Notes", où un médecin écrit "La mère du patient a souffert d'humeur dépressive" ainsi que les plaintes, problèmes, etc.

Mais, pour fonctionner, les modèles d'IA ont besoin de données bien structurées. Il est plus facile pour une machine d'analyser qu'un patient a des antécédents familiaux de dépression s'il y a une colonne intitulée "antécédents familiaux" et une case à cocher à côté de "dépression".

Bientôt, l'apprentissage en profondeur sera "obligatoire pour les personnes qui créent des applications logicielles sophistiquées", a déclaré Frank Chen, partenaire d'Andreessen Horowitz, à Fortune.

La plupart des investisseurs en capital-risque, y compris ceux qui investissent dans des startups SaaS, ne savaient même pas ce qu'était l'apprentissage en profondeur il y a cinq ans. Aujourd'hui, les investisseurs "se méfient des startups qui ne l'ont pas", dit Chen.

De même, vous devez vous méfier des DSE qui ne créent et ne stockent pas le type de données bien structurées qui fonctionnent avec des modèles d'apprentissage en profondeur. Vous pouvez même rechercher un DSE qui a intégré l'IA dans sa fonctionnalité de documentation clinique, par exemple, Epic en partenariat avec Nuance.

Cependant, la plupart des systèmes EHR n'auront pas d'IA intégrée pendant un certain temps, selon Anil Jain, MD, FACP, et vice-président et directeur de l'informatique de santé pour IBM Watson Health. L'option dans ces cas est d'intégrer la fonctionnalité d'IA dans votre DSE existant. Désormais, la plupart des systèmes de santé devront développer et déployer l'IA en tant que fonctionnalité complémentaire.

C'est ce qu'Intermountain Healthcare a fait avec son DSE, en créant plus de 150 protocoles dans Cerner. Avec chaque protocole, Cerner émet une alerte lorsqu'il reçoit des informations sur le patient indiquant une certaine condition médicale, puis guide les cliniciens à travers des suggestions d'examens supplémentaires et des traitements potentiels.

La construction de ces protocoles nécessitait auparavant 12 médecins, infirmières et experts en analyse, et prenait plus d'un an. Mais, en s'associant à Intermountain, ils peuvent être construits en 10 jours sans travail humain.

Lorsque vous parlez à des vendeurs de logiciels, que vous recherchiez un logiciel de DSE ou un logiciel de gestion de cabinet médical, il est important de savoir quelles questions poser.

Inspirez-vous du partenaire VC Chen et posez des questions telles que :

• « Où est votre version de traitement du langage naturel ? »
• « Comment puis-je parler à votre application pour ne pas avoir à cliquer sur les menus ? »

Prochaines étapes

Actuellement, de grands centres de recherche et des systèmes de santé développent des modèles d'apprentissage en profondeur qui peuvent prédire et prévenir les maladies et les hospitalisations et découvrir quels gènes sont associés à de futures maladies et troubles.

Lorsque vous comparez un logiciel EHR, demandez aux fournisseurs de votre liste restreinte quelles sont les fonctionnalités ou les intégrations d'IA qu'ils proposent. Par exemple, les données sont-elles stockées dans un bloc de texte ou sont-elles plus structurées ?

Idéalement, vous devriez choisir un DSE qui intègre une fonctionnalité d'IA ou qui peut s'intégrer à un modèle d'apprentissage en profondeur.