Coumau Cécile

  • Etude : comment l’IA peut favoriser les soins centrés sur le patient (Nature)

    Des soins personnalisés grâce à l’IA ?

    Les soins centrés sur le patient (SCP) ont fait la preuve de leur efficacité. Une telle démarche qui repose sur une complémentarité entre l’expertise des professionnels et l’expérience du patient améliore l’engagement dans les soins, l’autonomie des patients et leur confiance, tout en réduisant le stress lié à la maladie. De plus, les SCP sont associés à une meilleure qualité de vie et à de meilleurs résultats de santé.

    Des chercheurs américains du Stanford Center for Digital Health ont donc mené une étude afin de savoir précisément comment l’intelligence artificielle peut assister les professionnels de santé dans la fourniture de soins personnalisés aux patients atteints de diabète. Pour cela, ces derniers ont conçu des outils d’IA capables de répondre aux besoins spécifiques de ces malades et ils ont mesuré ensuite la perception des médecins quant à leur utilité.

    Plus de 500 000 messages de patients analysés

    Concrètement, les auteurs de l’étude ont analysé 528 199 messages électroniques envoyés par 11 123 patients diabétiques via un portail sécurisé entre 2013 et 2024. Des techniques avancées de traitement du langage naturel ont été utilisées pour identifier les préoccupations principales des patients.​ Puis, à partir des thèmes identifiés, des outils d’IA ont été conçus pour assister les cliniciens.​ Enfin, cinq endocrinologues ont évalué ces outils en termes d’utilité perçue et de risques potentiels.

    Les chercheurs ont développé plusieurs types d’outils d’IA : des générateurs de réponses éducatives pouvant par exemple interpréter des résultats de laboratoire, des assistants à la gestion de l’hypoglycémie mais aussi des outils de support administratif qui pouvaient notamment rédiger des courriers justificatifs pour l’employeur ou l’école ou encore des systèmes automatisés de rappels invitant à réaliser divers examens, des outils pour analyser en temps réel les données de capteurs…

    Les résultats de cette étude ont été publiés le 16 avril dans npj Digital Medicine.

    Résultats : l’IA risquée en cas de décision clinique

    • Les préoccupations les plus fréquemment citées par les patients concernaient la nutrition, la gestion du poids, l’interprétation des résultats de laboratoire, la gestion des médicaments et les aspects administratifs.​
    • L’IA a permis aux cliniciens de gagner du temps et de réduire les délais de réponse des patients. Elle peut automatiser des tâches chronophages comme la rédaction de documents administratifs, la gestion de rendez-vous ou la préparation de lettres standard.
    • Les outils d’éducation personnalisée des patients ont renforcé l’autonomie de ces derniers, tout en allégeant la charge des soignants
    • Le classement des messages des patients en fonction de leur criticité a été estimé comme à haut risque de mauvaise priorisation.
    • L’analyse en temps réel des données de capteurs pour suggérer des ajustements thérapeutiques a été jugée trop risquée sans supervision humaine.

    Les résultats de l’étude mettent clairement en évidence les points positifs de l’IA en matière de soins centrés sur le patient mais aussi ceux qui sont critiques. Soutien administratif et éducation thérapeutique sont clairement facilités par l’IA. Les outils favorisent des interactions rapides et se révèlent un soutien efficace pour les soignants. En revanche, les outils d’IA traitant directement les données des patients ont été perçus comme risqués (par exemple, la synthèse des données pour trier les messages par urgence et par sujet). Les tâches qui touchent aux décisions cliniques en temps réel soulèvent en effet davantage de préoccupations éthiques et de sécurité.

    Des réponses à des besoins concrets

    Si l’étude se distingue par sa méthode, elle n’est pas exempte de limites. En effet, les outils ont certes été créés en partant de plus d’un demi-million de messages réels de patients, ce qui garantit que l’IA répond à des besoins concrets, et non à des hypothèses de chercheurs ou développeurs, cependant elle est limitée par la nature de ses données. Ces dernières proviennent d’un seul système, d’une seule forme de communication (portail patient), et sans prise en compte complète du contexte social.

    * Artificial intelligence tools in supporting healthcare professionals for tailored patient care.

    Kim, J., Chen, M.L., Rezaei, S.J. et al.

    npj Digit. Med. 8, 210 (2025). https://doi.org/10.1038/s41746-025-01604-3

  • Etude : le machine learning efficace pour prédire la dépression à partir des réseaux sociaux (JMIR)

    Leurs travaux*, publiés le 11 avril dans le Journal of Medical Internet Research, montrent que les textes qui en sont issus fournissent des informations utiles pour une prédiction précoce, ce qui pourrait permettre d’identifier plus rapidement les personnes ayant besoin d’un suivi.

    Quand la dépression passe sous les radars…

    Environ 70 % des personnes ne demandent pas d’aide professionnelle dans les premières phases de la dépression. De plus, les méthodes de diagnostic traditionnelles, basées sur des échanges en face-à-face, peuvent être coûteuses, ce qui les rend difficilement accessibles pour certaines personnes. C’est pourquoi le développent d’une stratégie efficace permettant de prédire et de diagnostiquer précocement la dépression à grande échelle fait l’objet de recherches.

    De nombreuses études ont déjà utilisé les textes publiés sur les réseaux sociaux pour identifier et prédire la dépression ainsi que d’autres troubles mentaux. Ce sont en effet des outils précieux pour étudier le bien-être psychologique, car ils offrent un accès direct aux comportements, centres d’intérêt, pensées et émotions des individus. Une équipe internationale de chercheurs a donc souhaité approfondir ces travaux en menant une revue de littérature sur 11 bases de données de janvier 2008 à août 2023. Au total, 36 études ont été incluses dans leur méta-analyse. Pour analyser cette masse d’informations, ils ont eu recours à différentes techniques de traitement automatique du langage naturel (TAL) et à des modèles d’apprentissage automatique.

    Concrètement, ils ont analysé les données démographiques (âge, du sexe ou encore localisation géographique), les caractéristiques linguistiques, l’activité sur les réseaux sociaux et les aspects temporels. En effet, des recherches ont montré que les personnes dépressives ont un style linguistique différent de celles qui ne le sont pas (usage des pronoms à la première personne (“je”), d’un vocabulaire émotionnel (positif ou négatif), etc). La fréquence des publications, le nombre de mots, de likes sont aussi révélateurs. Les utilisateurs souffrant de dépression ont souvent moins d’interactions sociales et publient moins souvent que les autres.

    Les résultats de leur étude ont été publiés le 11 avril dans le Journal of Medical Internet Research.

    Résultats : les réseaux sociaux, miroir de notre santé mentale

    • Les textes publiés sur les réseaux sociaux ont une forte capacité prédictive de la dépression (r = 0.630, ce qui indique une corrélation forte).
    • Les caractéristiques démographiques (r = 0,642) sont les plus puissantes pour prédire la dépression, suivi de l’activité sur les réseaux sociaux (r = 0,552), des caractéristiques linguistiques (r = 0,545) puis des caractéristiques temporelles (r = 0,531).
    • Le type de plateforme a un effet important sur la prédiction. Sur les plateformes publiques, les gens peuvent s’exprimer plus librement ou anonymement, donc ils parlent peut-être plus franchement de leur mal-être.

    Cette méta-analyse suggère donc que les algorithmes d’apprentissage automatique sont capables d’identifier des signes de dépression avec une certaine fiabilité. Les contenus textuels issus des réseaux sociaux peuvent par conséquent constituer un outil pertinent pour prédire la dépression.

    Prédiction mais pas diagnostic

    Cependant, cela « reste un défi, et les résultats peuvent ne pas être généralisables à l’ensemble de la population », préviennent les auteurs de l’étude. Autrement dit, cette stratégie peut aider à repérer des signaux faibles chez des personnes à risque, mais seulement en complément d’un suivi médical, surtout pour les jeunes ou les personnes isolées. Les caractéristiques temporelles peuvent par exemple aider à différencier un état émotionnel passager d’un trouble psychique durable. Cependant, ce n’est pas un outil de diagnostic. L’IA peut plus probablement améliorer la santé publique, en surveillant les tendances générales à l’échelle d’une population et aider les institutions à cibler les populations vulnérables.

    * Text-Based Depression Prediction on Social Media Using Machine Learning: Systematic Review and Meta-Analysis

    Phiri D, Makowa F, Amelia VL, Phiri YVA, Dlamini LP, Chung MH
    J Med Internet Res 2025;27:e59002
    doi: 10.2196/59002PMID: 40215481

    https://www.jmir.org/2025/1/e59002/

     

  • Etude : l’IA démontre son potentiel d’aider les médecins lors des soins urgents virtuels

    L’ intelligence artificielle est-elle associée à une réelle amélioration de la qualité des soins ? La question agite la communauté scientifique depuis plusieurs années. De nombreuses études sont menées, dans des contextes variés, afin d’évaluer la place de l’IA dans la prise en charge et dans quelle mesure elle peut aider le médecin, sans jamais le remplacer.

    Une nouvelle étude dirigée par le Pr Dan Zeltzer, expert en santé numérique à la Berglas School of Economics de l’Université de Tel Aviv, tente d’apporter une nouvelle pierre à l’édifice. Son but : comparer la qualité des recommandations diagnostiques et de traitement émises par l’intelligence artificielle à celles des médecins au Cedars-Sinai Connect, une clinique virtuelle de soins urgents à Los Angeles. Concrètement, un algorithme basé sur l’apprentissage automatique effectue une première évaluation via un chat dédié, intègre les données du dossier médical du patient et fournit au médecin traitant des suggestions diagnostiques et thérapeutiques détaillées au début de la consultation, y compris des prescriptions, des tests et des références. Ensuite, une consultation vidéo avec un médecin était organisée pour déterminer le diagnostic et le traitement final. Le médecin avait accès aux recommandations de l’IA et pouvaient potentiellement les prendre en compte lors de leur consultation. Il est important de souligner que l’IA ne formulait de suggestions que lorsque son niveau de confiance était élevé. Une fois sur cinq, elle ne délivrait aucune recommandation. Enfin, un panel de quatre médecins avec au moins dix ans d’expérience clinique a noté chaque recommandation sur une échelle de quatre points : optimale, raisonnable, inadéquate ou potentiellement nuisible.

    Quelque 461 consultations en ligne réalisées entre le 12 juin au 14 juillet 2024 ont été prises en compte. Elles concernaient des patients présentant des symptômes respiratoires, urinaires, vaginaux, oculaires ou dentaires avec des dossiers médicaux complets.

    Les résultats de cette étude ont été publiés le 4 avril dans Annals of Internal Medicine et présentés lors de la conférence annuelle de l’American College of Physicians qui s’est déroulé du 3 au 5 avril à la Nouvelle Orléans.

    Résultats : l’IA respecte mieux les recommandations que les médecins

    • Les recommandations initiales de l’IA et les recommandations finales du médecin étaient concordantes dans 56,8 % des cas.
    • Les recommandations de l’IA ont été jugées optimales dans 77 % des cas, contre seulement 67 % des décisions des médecins.
    • Elles ont été considérées comme potentiellement nuisibles dans une proportion plus faible que celles des médecins (2,8 % des recommandations de l’IA contre 4,6 % des décisions des médecins).
    • Dans 20,8 % des cas, les recommandations de l’IA ont été jugées meilleures que celles des médecins contre 11,3 % des cas pour celles des médecins.

    Cette étude met en évidence le potentiel de l’IA pour aider les médecins à prendre des décisions. En fait, les points forts de l’intelligence artificielle sont de plusieurs ordres. Les auteurs de l’étude que l’IA adhère plus strictement aux recommandations officielles, par exemple, en ne prescrivant pas d’antibiotiques pour une infection virale. Autre point fort, l’IA identifie de manière plus exhaustive les informations pertinentes dans le dossier médical. Et « les résultats suggèrent que l’IA a mieux performé dans l’identification des signaux d’alerte critiques », précisent les auteurs. En revanche, les médecins étaient meilleurs pour adapter les recommandations en fonction de l’évolution des informations lors des consultations. Par exemple, si un patient atteint de COVID-19 signale un essoufflement, un médecin peut le reconnaître comme une congestion respiratoire relativement bénigne, tandis que l’IA, basée uniquement sur les réponses du patient, pourrait le référer inutilement aux urgences. En résumé, l’Homme est plus flexible qu’un algorithme !

    L’adaptabilité humaine, une qualité irremplaçable

    « L’IA, basée sur un processus d’évaluation ciblé, peut fournir des recommandations diagnostiques et thérapeutiques qui sont, dans de nombreux cas, plus précises que celles émises par les médecins », résume le Pr Zelter. Cependant, l’étude présente une limite : les chercheurs ne savent pas avec certitude dans quelle mesure ces recommandations de l’IA ont été utilisées par les médecins pour prendre leurs décisions finales. Cet essai suggère donc que l’IA pourrait être un outil précieux pour aider les médecins, surtout pour des recommandations rapides et basées sur des données objectives, mais les médecins restent essentiels pour adapter ces recommandations au contexte particulier de chaque patient.

    *Comparison of Initial Artificial Intelligence (AI) and Final Physician Recommendations in AI-Assisted Virtual Urgent Care Visits.

    Dan Zeltzer, Zehavi Kugler, Lior Hayat, et al.

    Ann Intern Med. [Epub 4 April 2025].

    https://www.acpjournals.org/doi/10.7326/ANNALS-24-03283

  • Etude : une cartographie des usages de l’IA dans le secteur de la santé (BMC)

    Analyse pluridisciplinaire de l’utilisation de l’IA en santé​

    Elle montre que l’IA est de plus en plus utilisée mais que sa généralisation va exiger une amélioration de la qualité des données, plus de collaborations entre experts, et une attention à l’éthique. L’étude a été publiée le 10 avril dans la revue BMC Medical Informatics and Decision Making.

    L’intelligence artificielle est de plus en plus présente dans de nombreux domaines, et tout particulièrement dans la santé. Elle soulève beaucoup d’espoirs : amélioration du diagnostic, anticipation des maladies, optimisation des parcours de soin, aide à la décision pour les médecins… Malgré cet engouement, il y a peu d’analyses structurées qui prennent du recul pour comprendre comment, où et par qui l’IA est réellement utilisée dans le secteur médical. Peu d’études antérieures ont abordé ce sujet sous un angle pluridisciplinaire, incluant la comptabilité, le management, les sciences de la décision et les professions de santé.

    Des chercheurs italiens et britanniques ont donc mené une étude afin de faire cet état des lieux. Ces derniers ont voulu :

    • Cartographier les tendances et les thèmes de recherche dominants autour de l’IA dans le domaine de la santé
    • Identifier les principales contributions scientifiques : qui publie ? Sur quoi ? Où ?
    • Proposer une base pour orienter les futures recherches en IA appliquée à la santé, en intégrant à la fois les aspects techniques, managériaux et cliniques.
    • Les auteurs ont réalisé une revue structurée de la littérature scientifique, en se concentrant sur des articles publiés entre 2000 et 2020.
    • Ils ont utilisé la base de données Scopus pour extraire 288 articles scientifiques liés à l’IA dans le domaine de la santé.
    • L’étude repose à la fois sur des indicateurs quantitatifs (nombre d’articles, pays auteurs, co-citations, etc.) et des analyses thématiques (mots-clés, sujets dominants, réseaux de collaboration).

    Les résultats de leur étude ont été publiés le 10 avril dans la revue BMC Medical Informatics and Decision Making.

    Résultats : les 4 grands domaines d’utilisation de l’IA

    • Le nombre de publications augmente fortement depuis 2015, avec un pic notable en 2020.
    • Cela reflète l’intérêt croissant des chercheurs, mais aussi l’accélération de l’adoption de l’IA dans la pratique médicale.
    • Les auteurs ont identifié 4 grands domaines où l’IA est appliquée :
      1. Gestion des soins de santé : optimisation des ressources, gestion hospitalière, triage des patients…
      2. Médecine prédictive : prévision des complications, personnalisation des traitements, détection précoce…
      3. Soutien au diagnostic clinique : analyse d’images médicales, détection de maladies à partir de données patients…
      4. Aide à la décision médicale : recommandation de traitements, alertes médicales automatisées…
    • Les pays les plus actifs sont les États-Unis, la Chine, le Royaume-Uni, l’Inde et le Canada en volume de publications, mais la collaboration internationale reste limitée.
    • Les méthodes d’IA les plus utilisées sont l’apprentissage automatique, les réseaux de neurones artificiels, les systèmes experts et le traitement du langage naturel.

    « Un besoin urgent de collaboration interdisciplinaire »

    En conclusion, les auteurs de cette revue estiment que malgré son fort potentiel dans la santé, l’utilisation de l’IA n’est pas généralisée, mais bien concentrée sur certains domaines et pays. De nombreux domaines restent peu explorés, notamment en santé publique, en éthique ou en formation des professionnels. Les chercheurs considèrent dont qu’il y a un besoin urgent de collaboration interdisciplinaire pour combler les lacunes.

    De plus, la qualité et l’accessibilité des données restent des freins majeurs à l’essor de l’IA dans la santé. Des lacunes dans la recherche, notamment en matière d’analyse coûts-bénéfices des technologies d’IA et d’accessibilité dans les environnements à faibles ressources sont également pointées du doigt. Enfin, les auteurs insistent sur l’importance de développer des systèmes IA transparents, éthiques et explicables, afin d’assurer leur adoption par les professionnels de santé.

    * The role of artificial intelligence in healthcare: a structured literature review.

    Secinaro, S., Calandra, D., Secinaro, A. et al.

    BMC Med Inform Decis Mak 21, 125 (2021)

    https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-021-01488-9

     

  • Etude : L’IA révèle les risques cardiovasculaires à travers les mammographies

    Les maladies cardiovasculaires pourraient être dépistées grâce à la calcification des artères mammaires, un bon prédicteur de ces maladies, visible grâce à l’apprentissage profond.

    Les maladies cardiovasculaires restent sous-diagnostiquées chez les femmes. Pourtant, 200 femmes décèdent chaque jour en France d’un infarctus, d’un AVC ou encore d’une embolie pulmonaire. Un dépistage précoce de ces maladies représente donc un réel enjeu de santé publique. Et les marqueurs précoces existent. L’accumulation de calcium dans les vaisseaux sanguins est l’un des signes de dommage cardiovasculaire associé aux maladies cardiaques. Des études ont montré que les femmes présentant une calcification des artères font face à un risque de 51 % plus élevé de maladies cardiaques et d’AVC. Or, ces calcifications sont visibles sur les mammographies. Mais, les radiologues ne quantifient généralement pas, ni ne rapportent cette information aux femmes ou à leurs médecins.

    Des chercheurs de l’université d’Atlanta ont donc développé un outil pour faciliter l’accès à cette donnée. Concrètement, ils ont créé un modèle d’intelligence artificielle basé sur l’apprentissage profond, afin d’identifier puis d’isoler les vaisseaux calcifiés présents dans les images de mammographies. Ils apparaissent comme des pixels lumineux sur les radiographies.

    Une fois ces calcifications identifiées, l’IA peut calculer le risque futur d’événements cardiovasculaires (comme un infarctus, un AVC, ou une insuffisance cardiaque) en utilisant des données provenant des dossiers de santé électroniques des patientes. Le modèle a classé le risque cardiovasculaire des patientes en trois catégories : faible, modéré ou élevé, basé sur les images de mammographie. Il a ensuite calculé le risque pour ces patientes de mourir de n’importe quelle cause, ou de subir un infarctus du myocarde, un AVC ou une insuffisance cardiaque dans les deux à cinq ans à venir.

    Les résultats ont été présentés à la session scientifique annuelle du Collège américain de cardiologie.

    Résultats : un risque de décès 2,8 fois plus élevé en cas de calcification sévère

    • Le modèle a montré que le taux de ces événements cardiovasculaires graves augmentait avec le niveau de calcification des artères mammaires dans deux des trois catégories d’âge évaluées : les femmes de moins de 60 ans et celles de 60 à 80 ans, mais pas chez celles de plus de 80 ans.
    • Les femmes ayant le niveau le plus élevé de calcification des artères mammaires (au-dessus de 40 mm2) avaient un taux de survie sans événement significatif à cinq ans beaucoup plus bas que celles ayant le niveau le plus bas (en dessous de 10 mm2).
    • 86,4 % des femmes ayant la calcification des artères mammaires la plus élevée ont survécu pendant cinq ans, contre 95,3 % de celles ayant le niveau le plus bas.
    • Soit un risque de décès presque trois fois plus élevé pendant les cinq ans suivant la mammographie dans les cinq ans chez les patientes ayant une calcification sévère des artères mammaires par rapport à celles ayant peu ou pas de calcification.

    Une opportunité pour les femmes de moins de 60 ans

    « Nous voyons une opportunité pour les femmes de se faire dépister pour le cancer et d’obtenir également un dépistage cardiovasculaire grâce à leurs mammographies », a déclaré le Dr Theo Dapamede, chercheur postdoctoral à l’Université Emory d’Atlanta et auteur principal de l’étude. « Si nous pouvons dépister et identifier ces patientes tôt, notamment celles de moins de 60 ans, nous pourrons les orienter vers un cardiologue pour une évaluation plus approfondie du risque. »

    Pour le moment, le modèle d’IA a été développé en collaboration entre Emory Healthcare et la Mayo Clinic n’est pas encore disponible pour une utilisation clinique. S’il passe la validation externe et obtient l’approbation de la Food and Drug Administration, les chercheurs ont indiqué que l’outil pourrait être mis à disposition commercialement pour d’autres systèmes de santé afin d’être intégré dans le traitement de routine des mammographies et du suivi. Les chercheurs prévoient également d’explorer comment des modèles d’IA similaires pourraient être utilisés pour évaluer d’autres biomarqueurs, telles ceux de la maladie artérielle périphérique et des maladies rénales, qui pourraient être également extraits des mammographies.

    “Risk Stratification of Adverse CV Events and Mortality in Women Using AI-Based Quantification of Vascular Calcifications,” on Monday, March 31, 2025, at 9:00 a.m. CT / 14:00 UTC in S401C.

    https://www.acc.org/About-ACC/Press-Releases/2025/03/20/09/58/AI-Powered-Mammograms

  • Etude (France) : les outils de trial matching manquent encore de précision (Nature)

    Le délicat recrutement de patients pour les essais cliniques

    Pierre angulaire de la recherche, les essais cliniques sont pourtant difficiles d’accès. Malgré leur importance, moins de 8 % des patients adultes dans le monde participent à un essai clinique en oncologie. Cela s’explique par les inégalités sociales, la distance entre les patients et les centres, les habitudes des médecins, ou encore par le grand nombre et la complexité des critères de sélection. L’objectif général est d’atteindre un taux de participation compris entre 10 % et 20 % dans les prochaines années.

    La piste du Trial Matching

    « Pour pallier cette difficulté, les outils de Trial Matching permettent de faire correspondre de manière automatique un patient à des essais cliniques auxquels il est éligible. Ces outils pourraient permettre à plus de patients d’accéder aux essais cliniques, indique le Dr Loic Verlingue, médecin chercheur au Centre Léon Bérard. C’est pourquoi il a coordonné une étude pour évaluer ces outils. Même si dans le centre lyonnais, 20,1% des patients suivis sont inclus dans un essai clinique. Concrètement, ils ont sélectionné 4 outils de Trial Matching (DigitalECMT, Klineo, ScreenAct et Trialing) et les ont testés pendant 10 semaines sur un groupe de 157 patients du Molecular Tumor Board du Centre Léon Bérard.

    Les résultats de cette étude française ont été publiés le 27 janvier dans Nature.

    Résultats : une précision de 33%

    • En moyenne, chaque patient s’est vu proposer 2,19 essais.
    • 38 % des patients n’ont eu aucune proposition.
    • Le taux de précision était de de 33% : environ 1 essai sur 3 proposés par les outils correspondait réellement aux caractéristiques des patients
    • Parmi les 51,6% sans essai clinique disponible au Centre Léon Bérard, 26% auraient pu être réorientés vers d’autres hôpitaux ou sites.
    • Le type d’altération moléculaire (était le critère de sélection le plus fréquemment impliqué dans les erreurs des outils de mise en correspondance des essais cliniques.

    « Ces résultats mettent en évidence un important potentiel malgré une précision encore limitée », concluent les auteurs de l’étude. En effet, ces outils pourraient permettre à 1 patient sur 4 d’accéder à un essai clinique dans un autre centre et donc réduire les inégalités d’accès aux essais cliniques en augmentant le taux de recrutement.

    Le coup de pouce des LLM

    Cependant, le taux de faux positifs de plus de 30% est problématique. Les chercheurs ont donc testé l’utilisation d’un LLM pour d’analyser les comptes-rendus moléculaires du programme ProfiLER et les descriptions des essais cliniques afin de déterminer l’éligibilité, en particulier sur le type d’altération moléculaire. Cela a permis d’améliorer les performances de la correspondance des essais avec les caractéristiques des patients de 5%.

    *A prospective pragmatic evaluation of automatic trial matching tools in a molecular tumor board.

    Gueguen, L., Olgiati, L., Brutti-Mairesse, C. et al.  npj Precis. Onc. 9, 28 (2025)

  • Etude : un outil d’IA facilite le dépistage et l’inscription des patients dans un essai (Jama)

    Essais cliniques : le délicat recrutement des patients

    Monter un essai clinique est chronophage. L’identification et le dépistage des patients éligibles constituent tout particulièrement un défi pour les équipes de recherche. Retards et inscriptions incomplètes sont autant de problèmes récurrents qui aggravent le coût élevé des essais. En effet, les méthodes traditionnelles de dépistage sont manuelles, laborieuses et peuvent représenter jusqu’à un tiers des coûts des essais cliniques. Les requêtes structurées dans les dossiers médicaux électroniques améliorent certes l’efficacité du dépistage des essais cliniques, mais nécessitent encore une étape manuelle des données non structurées.

    Afin d’améliorer le process, des chercheurs de Mass General Brigham, un système de santé à but non lucratif basé dans la région de Boston (Massachusetts) ont donc développé un outil de dépistage des essais cliniques basé sur l’IA appelé RECTIFIER. Dans une étude « preuve de concept » basée sur un examen rétrospectif des dossiers médicaux, l’outil s’était déjà révélé légèrement plus précis pour identifier les dossiers de patients répondant aux critères d’éligibilité d’un essai sur l’insuffisance cardiaque, par rapport au dépistage manuel. Dans un deuxième temps, les chercheurs ont donc mis sur pied une étude ayant pour but d’évaluer, cette fois, l’efficacité et la précision du recrutement des patients.

    Un outil d’IA pour éplucher les dossiers

    Concrètement, il s’agissait de recruter des patients pour un essai sur l’insuffisance cardiaque. RECTIFIER a épluché les notes cliniques et toutes les informations contenues dans les dossiers médicaux électroniques des patients pour déterminer s’ils répondaient aux critères d’éligibilité pour l’étude sur l’insuffisance cardiaque. Les critères incluaient essentiellement les symptômes, les maladies chroniques et les médicaments actuels et passés. Dans l’autre bras de l’étude, le personnel de recherche a examiné manuellement les dossiers des patients pour déterminer s’ils répondaient aux critères d’éligibilité. Quelque 4 476 patients ont été randomisés pour être soit dépistés manuellement, soit dépistés à l’aide de l’IA générative.
    Les résultats de cette étude ont été publiés le 17 février dans le Jama.

    Résultats : 2 fois plus de patients éligibles avec l’IA

    • L’outil d’IA a dépisté 458 patients éligibles alors que le personnel n’en a dépisté manuellement que 284.
    • Les patients jugés éligibles ont ensuite été appelés par des attachés de recherche clinique, qui ne savaient par quelle méthode ils avaient été dépistés. Dans le groupe IA, 35 patients se sont inscrits à l’essai, contre 19 patients dans le groupe manuel.

    « Le taux d’inscription dans le bras activé par l’IA était presque deux fois plus élevé que dans le bras manuel. Cela signifie que l’IA pourrait presque diviser par deux le temps nécessaire pour compléter l’inscription à un essai », a déclaré Ozan Unlu, auteur principal de l’étude. Ces résultats suggèrent que l’intégration de l’IA dans les processus de recrutement des essais cliniques peut améliorer l’efficacité et l’efficience, ce qui pourrait conduire à une augmentation de la participation des patients aux essais cliniques. Les chercheurs vont maintenant étendre l’utilisation de l’outil de dépistage IA au-delà de Mass General Brigham et le tester dans d’autres contextes, tels que des essais sur le cancer ou le diabète.

    *Manual versus AI-Assisted Clinical Trial Screening Using Large-Language Models (MAPS-LLM)

    Unlu, O et al.  JAMA DOI: doi:10.1001/jama.2024.28047 JAMA. Published online February 17, 2025.

  • Etude : les chatbots pourraient répondre efficacement à des questions médicales nuancées (Nature)

    Décision médicale : un art éminemment humain ?

    La médecine n’est pas une science exacte. Même si elle repose sur des bases scientifiques solides et utilise des méthodes rigoureuses pour diagnostiquer et traiter les maladies, chaque patient est unique et les médecins doivent souvent faire appel à leur jugement et à leur expérience pour prendre des décisions. Cela inclut des éléments subjectifs comme l’anamnèse (l’histoire du patient), les préférences du patient et les contextes sociaux et économiques.

    Alors si les chatbots alimentés par intelligence artificielle deviennent assez performants pour diagnostiquer certaines maladies, même complexes, leur performance en matière de raisonnement clinique n’est pas démontrée. C’est pourquoi des chercheurs de l’Université de Stanford ont mené un essai contrôlé randomisé prospectif. De novembre 2023 à avril 2024, 92 médecins praticiens ont été randomisés pour utiliser soit GPT-4 accompagné de ressources conventionnelles, soit uniquement des ressources conventionnelles, afin de répondre à cinq vignettes cliniques développées par des experts dans un environnement simulé.

    Le coup de pouce de l’IA pour raisonner

    Concrètement, trois groupes ont été créés : le chatbot seul, 46 médecins avec le soutien d’un chatbot et 46 médecins ayant uniquement accès à une recherche sur Internet et à des références médicales. Les chercheurs ont par ailleurs sélectionné cinq cas de patients anonymisés et les ont soumis au chatbot et aux médecins, qui ont tous fourni une réponse écrite détaillant ce qu’ils feraient dans chaque cas, pourquoi et ce qu’ils prenaient en compte dans leur décision. Un groupe de médecins certifiés pour créer un référentiel permettant d’évaluer si un jugement ou une décision médicale était correctement appréhendé. Les décisions ont ensuite été notées selon ce référentiel.

    Les résultats de l’essai ont été publiés le 5 février dans Nature Medicine.

    Résultats : le chatbot améliore la prise de décision médicale

    • Les médecins qui ont utilisé GPT-4 ont obtenu un score significativement plus élevé que ceux qui ont utilisé seulement des ressources conventionnelles.
    • Leur performance dans l’évaluation des cas cliniques était meilleure de 6,5% en moyenne par rapport à ceux utilisant uniquement les ressources traditionnelles.
    • Il n’y avait pas de différence significative entre les médecins augmentés par GPT-4 et ceux utilisant uniquement GPT-4. L’ajout de ressources conventionnelles aux médecins utilisant GPT-4 n’a pas amélioré leurs performances.

    Contrairement à ce qu’attendaient les chercheurs, le chatbot a surpassé les médecins ayant accès uniquement à Internet et aux références médicales, cochant plus de critères du référentiel que les médecins. Mais les médecins associés à un chatbot ont obtenu des résultats aussi bons que ceux du chatbot seul. « Depuis des années, je dis que, combinés, l’humain et l’ordinateur feront mieux que l’un ou l’autre seul », a déclaré Jonathan Chen, co-auteur de l’étude. « Je pense que cette étude nous pousse à réfléchir plus critiquement à cela et à nous demander, ‘Qu’est-ce qu’un ordinateur sait faire ? Qu’est-ce qu’un humain sait faire ?’ Nous devrons peut-être repenser où et comment nous utilisons et combinons ces compétences et pour quelles tâches nous recrutons l’IA. »

    “Ne sautez pas l’étape du médecin”

    Reste notamment à déterminer à quoi sont dues ces différences de performance. L’utilisation du LLM oblige-t-elle les médecins à réfléchir davantage au cas ? Ou bien le LLM leur fournit-il des pistes auxquelles les médecins n’auraient pas pensé par eux-mêmes ? Quoi qu’il en soit, les auteurs de cette étude veulent éviter toute interprétation hâtive. « C’est peut-être un argument en faveur de l’IA », a déclaré Jonathan Chen. Mais, « cela ne signifie pas que les patients doivent sauter l’étape du médecin et se diriger directement vers les chatbots. Ne faites pas ça », a-t-il indiqué. « Il y a beaucoup de bonnes informations là dehors, mais aussi de mauvaises. La compétence que nous devons tous développer est de discerner ce qui est crédible et ce qui ne l’est pas. C’est plus important que jamais. »

    *GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial.

    Goh, E., Gallo, R.J., Strong, E. et al. Nat Med (2025).

  • Etude : un outil prédictif basé sur l’IA identifie les patients à risque d’erreurs médicamenteuses (Nature)

    Prévenir les événements indésirables liés aux médicaments

    Erreurs de prescription, de délivrance, de dosage, de stockage… Les sources d’erreurs médicamenteuses ne manquent pas. Et même si elles peuvent survenir à tout moment du parcours de soins du patient, la majorité des cas se produisent le premier jour d’hospitalisation. Et leurs conséquences pèsent lourd : elles sont responsables d’une augmentation de la mortalité, de complications médicales et de coûts élevés dans les systèmes de santé (estimés à 42 milliards de dollars par an), soit 0,7 % des dépenses de santé mondiales. Mais, environ la moitié des événements indésirables liés aux médicaments sont des erreurs évitables.

    La “conciliation médicamenteuse” : efficace mais chronophage

    Pour les prévenir, les hôpitaux utilisent la conciliation médicamenteuse, qui consiste à créer une liste précise des médicaments que le patient prend réellement, à la comparer avec les prescriptions du dossier médical puis à corriger les écarts ou erreurs éventuels. Des études ont montré qu’elle peut réduire les erreurs médicamenteuses de 66 %. Depuis 2018, les hôpitaux sont incités à la mettre en œuvre puisque la conciliation médicamenteuse est devenue un indicateur dans les contrats d’amélioration de la qualité et de l’efficience des soins. Cependant, le déploiement de la conciliation médicamenteuse se heurte à un problème de taille : elle est très consommatrice en temps et de ressources humaines. Il faut en effet environ 50 minutes pour réaliser une conciliation par patient.

    C’est pourquoi une équipe du CHU de Reims a conçu un outil utilisant des algorithmes d’apprentissage machine pour prioriser les patients à risque d’erreurs, permettant ainsi aux pharmaciens de cibler plus efficacement leurs interventions. Concrètement, les chercheurs ont collecté les données de 12 604 patients admis entre 2017 et 2023 au Centre Hospitalier Universitaire de Reims. Les données ont été nettoyées, normalisées et équilibrées pour compenser l’importance disproportionnée des cas négatifs par rapport aux cas positifs. Et plusieurs algorithmes (régression logistique, machines à vecteurs de support, gradient boosting et classificateur par vote) ont été testés.

    Les résultats de cette étude ont été publiés le 30 décembre dans Scientific Reports.

    Résultats : l’IA repère 75% des patients à risques d’erreurs

    • Le modèle de classificateur par vote a donné les meilleures performances avec un rappel de 0,75, une précision de 0,65 et un score F1 de 0,70.
    • L’outil a permis de détecter 45 % des patients à risque d’erreurs médicamenteuses, contre seulement 21 % avec les méthodes traditionnelles, soit une amélioration de 113 %.

    Le modèle de classificateur par vote détecte donc efficacement les patients à risque (75 %) mais il est modérément précis. Dans 35% des cas, il signale des fausses alertes. Cependant, ces résultats sont prometteurs puisque par comparaison, en 2022, sur 47 876 admissions, seulement 4,3 % des patients ont subi une conciliation médicamenteuse. Parmi eux, 26 % avaient au moins une erreur détectée nécessitant une intervention pharmacologique. L’outil prédictif aide donc à mieux prioriser les patients, réduisant ainsi le gaspillage des ressources et augmentant la sécurité des patients.

    Cependant, l’étude présente des limites puisqu’elle n’a été réalisée qu’au CHU de Reims. Par ailleurs, le développement d’un modèle plus performant nécessiterait davantage de données, mais cela suppose d’effectuer un nombre élevé de conciliations, ce qui reste difficile avec les ressources actuelles. Une étude multicentrique est donc prévue. Et à terme, il pourrait aussi être envisagé de rendre l’outil applicable en soins ambulatoires et primaires.

    *A machine learning-based clinical predictive tool to identify patients at high risk of medication errors.

    Abdo, A., Gallay, L., Vallecillo, T. et al.

    Sci Rep 14, 32022 (2024). https://doi.org/10.1038/s41598-024-83631-w

  • Etude : un modèle d’IA identifie des gènes à risque potentiel pour la maladie de Parkinson (Nature)

    Parkinson : l’urgence à trouver des thérapies

    C’est la deuxième maladie neurodégénérative la plus répandue et pourtant les traitements contre la maladie de Parkinson font cruellement défaut. « Malheureusement, nous ne disposons pas encore de moyens pour ralentir ou stopper sa progression. Aujourd’hui, les traitements existants se limitent à gérer les symptômes à mesure qu’ils apparaissent, explique le Dr Lijun Dou, auteur principal d’une étude sur le sujet parue le 22 janvier dans Nature Parkinson’s Disease. Il est donc crucial de développer de nouvelles thérapies modifiant l’évolution de la maladie.” Mais la composante génétique de la pathologie reste à explorer.

    En effet, beaucoup des mutations génétiques connues associées à la maladie de Parkinson se situent dans des régions non codantes de l’ADN, et non dans les gènes eux-mêmes. “Nous savons que ces variantes peuvent influencer le fonctionnement de certains gènes, mais nous ignorons lesquels sont affectés dans la maladie de Parkinson, ”explique le Dr Lijun Dou.

    Le pari de la “biologie des systèmes”

    C’est pourquoi cette équipe de chercheurs du Cleveland Clinic Genome Center a adopté une nouvelle méthode. Concrètement, ils ont adopté la “biologie des systèmes”, qui utilise l’intelligence artificielle pour intégrer et analyser différentes sources d’informations : données génétiques, protéomiques, pharmaceutiques et cliniques. Grâce à cette méthode, il devient possible de détecter des liens cachés entre ces données, qui ne seraient pas visibles si elles étaient étudiées individuellement. Cette approche leur a donc permis de déduire quels gènes cérébraux étaient affectés par des mutations situées dans des régions non codantes de l’ADN.

    Résultats : réutiliser des médicaments existants

    • 175 gènes de risque potentiels ont été identifiés, dont SNCA et LRRK2, déjà connus pour leur rôle dans l’inflammation cérébrale.
    • Des médicaments déjà commercialisés pourraient être repositionnés dans la maladie de Parkinson.
    • La simvastatine (médicament utilisé pour traiter l’hypercholestérolémie) est associée à une réduction du risque de développer la maladie de Parkinson.
    • Son utilisation est corrélée à une diminution de 9 à 12 % du risque de chute et de démence chez les patients atteints de Parkinson.

    Ces résultats prouvent que l’approche par réseaux et intelligence artificielle permet d’identifier des nouvelles cibles génétiques et des médicaments repositionnables dans la maladie de Parkinson. “Avec les méthodes traditionnelles, chaque étape de ce processus – identifier les gènes, analyser leurs effets, et tester des médicaments – demanderait énormément de temps et de ressources, précise le Dr Dou. Grâce à notre approche, nous avons pu accélérer considérablement ce travail et identifier plusieurs candidats thérapeutiques, augmentant ainsi nos chances de découvrir de nouvelles solutions.”

    La prochaine étape va donc consister à tester l’effet de la simvastatine en laboratoire, ainsi que plusieurs médicaments immunosuppresseurs et anxiolytiques qui méritent d’être étudiés plus en profondeur.

    *A network-based systems genetics framework identifies pathobiology and drug repurposing in Parkinson’s disease.

    Dou, L., Xu, Z., Xu, J. et al.   npj Parkinsons Dis. 11, 22 (2025). https://doi.org/10.1038/s41531-025-00870-y