Coumau Cécile

  • Etude : nette amélioration du dépistage du cancer du sein grâce à l’IA (Nature)

    Une étude en vie réelle sur près de 500 000 femmes

    Le recours à l’IA pour le dépistage du cancer du sein par mammographie a été évalué à plusieurs reprises. Des travaux ont déjà révélé que l’IA détecte 20 à 40 % des cancers d’intervalle qui peuvent être observés ou suspectés rétrospectivement lors de mammographies de dépistage antérieures, mais qui ont été manqués par les radiologues. Cependant, il existe peu d’études prospectives, en vie réelle. Le recours généralisé de l’IA dans les programmes de dépistage est donc freiné.

    C’est pourquoi des chercheurs allemands de l’Université de Lübeck et de l’hôpital universitaire Schleswig-Holstein ont conduit une très large étude comparant les performances de la double lecture assistée par l’IA à la double lecture standard (sans IA) chez des femmes (50 à 69 ans) subissant un dépistage organisé par mammographie sur 12 sites en Allemagne. De juillet 2021 à février 2023, un total de 463 094 femmes ont été dépistées (260 739 avec le soutien de l’IA) par 119 radiologues. Il s’agit de la plus large étude au monde sur le sujet.

    En temps normal, quatre mammographies sont réalisées pour chaque femme participante. Ces mammographies sont lues indépendamment par deux radiologues (parfois sous la supervision d’un troisième radiologue) et si au moins un radiologue juge le cas suspect, une conférence de consensus est organisée. Dans le cas où le caractère suspect persiste, la femme est orientée vers des évaluations diagnostiques plus approfondies. Autrement dit, le processus est long est chronophage.

    Les résultats de l’étude PRAIM ont été publiés le 7 janvier dans la revue Nature Medicine.

    Résultats : une détection améliorée sans plus de faux positifs

    • 41,9 femmes sur 1 000 présentaient des résultats suspects et ont été rappelées pour une évaluation plus approfondie. Un quart d’entre elles a subi des biopsies et 6,2 pour 1 000 ont finalement reçu un diagnostic de cancer du sein. La plupart (79,4 %) des cancers étaient classés comme invasifs et 18,9 % étaient des carcinomes canalaires in situ.
    • Le taux de détection du cancer du sein dans le groupe utilisant l’IA était de 6,7 pour 1 000 femmes, soit 17,6 % supérieur à celui du groupe témoin (5,7 pour 1 000).
    • Le nombre de femmes invitées à faire un examen complémentaire après la mammographie dans le groupe IA était de 37,4 pour 1 000, légèrement inférieur à celui du groupe témoin (38,3 pour 1 000).
    • La valeur prédictive positive, c’est-à-dire la probabilité que le rappel soit effectivement lié à un cancer du sein, était de 17,9 % dans le groupe IA, contre 14,9 % dans le groupe témoin.
    • La probabilité qu’une biopsie menée après un rappel révèle un cancer était de 64,5 % avec l’IA contre 59,2 % sans IA.

     

    Tous ces résultats suggèrent que l’IA aide à détecter plus de cancers. Cette amélioration ne s’accompagne pas d’une augmentation significative du nombre de rappels. Et n’entraîne donc pas un excès de faux positifs. Les auteurs de l’étude en concluent donc que « les rappels effectués avec l’IA sont légèrement plus fiables. »

    Un gain de temps pour les radiologues

    En outre, cette étude indique que l’automatisation du tri des examens par l’IA se traduit par un gain de temps pour les radiologues, sans perte d’efficacité. En effet, si tous les cas que l’IA qualifie de normaux n’étaient plus diagnostiqués par des humains, le taux de détection du cancer du sein serait encore 16,7 % plus élevé. Le gain de temps provient bien sûr de la réduction du nombre d’examens à lire et des discussions entre radiologues. Cela permet de libérer du temps pour les cas plus complexes et rendre le processus global plus efficace. Les chercheurs estiment donc que « des efforts urgents devraient être déployés pour intégrer la mammographie assistée par l’IA dans les directives de dépistage et pour promouvoir l’adoption généralisée de l’IA dans les programmes de dépistage par mammographie. »

    *Nationwide real-world implementation of AI for cancer detection in population-based mammography screening.

    Eisemann, N., Bunk, S., Mukama, T. et al.

    Nat Med (2025). https://doi.org/10.1038/s41591-024-03408-6

  • Le label « Model facts » se précise pour rendre les systèmes d’IA plus transparents

    Vers une labellisation des modèles d’IA en santé

    En 2020, le Duke Institute for Health Innovation de l’université de Durham (Caroline du Nord) avait publié le label « Model facts » dans la revue Nature Digital Medicine. But de l’opération : donner aux utilisateurs d’un modèle d’IA les informations essentielles concernant ce modèle, telles que ses caractéristiques, sa conception, ses performances, et d’autres détails techniques. Le premier modèle qui a reçu ce que l’équipe du Duke Institute appelle une « étiquette » était Sepsis Watch, un système de détection du sepsis.

    L’équipe du Duke Institute vient de mettre à jour son label “Model Facts” pour inclure des informations supplémentaires afin qu’elle soit conforme aux exigences de la règle du Health Data, Technology, and Interoperability: Certification Program Updates, Algorithm Transparency, and Information Sharing (HTI-1), qui exige depuis le 1er janvier 2025 la divulgation de 31 informations spécifiques concernant les données ou les modèles utilisés dans un produit d’intelligence artificielle. Cela permet de mieux documenter l’origine et la transparence des modèles d’IA utilisés dans le secteur de la santé. Et ainsi qu’ils deviennent évaluables et compréhensibles. En effet, il est essentiel que les utilisateurs finaux (les médecins ou les gestionnaires de soins de santé) sachent exactement d’où viennent les données et comment elles ont été traitées afin de garantir que les décisions basées sur l’IA sont prises de manière éclairée. Tout en réduisant les risques d’erreurs dues à des biais, des lacunes ou des données incorrectes.

    Les concepteurs de ce label tiennent à rappeler qu’il a été publié sous une licence Creative Commons Attribution 4.0. Cela signifie que n’importe qui peut utiliser, adapter et redistribuer « l’étiquette », à condition de créditer l’équipe du Duke Institute et de citer la source originale. Et ils se félicitent du fait que « Model facts » a été citée plusieurs fois dans le (HTI-1), « ce qui montre que le travail de l’Institut influence la régulation de l’IA dans le secteur de la santé », précisent-ils. Ils plaident en outre pour que « les praticiens et les régulateurs collaborent dans le but de standardiser la présentation des informations sur les modèles d’apprentissage automatique à destination des utilisateurs cliniques finaux afin de prévenir tout dommage pour les patients. »

    D’autres outils de standardisation en gestation

    Le label « Model Facts » n’est pas unique en son genre. Il existe en effet plusieurs initiatives similaires visant à améliorer cette transparence dans les modèles d’IA. Des chercheurs de Google ont développé AI Model Cards qui vise à fournir un cadre standardisé pour la documentation des modèles d’IA. Des chercheurs de l’Université de Washington et d’autres institutions ont quant à eux mis au point une sorte de fiche descriptive pour chaque jeu de données utilisé pour l’entraînement des modèles d’IA, afin de détailler son origine, ses caractéristiques, ses biais potentiels et ses limites. Ce combat pour la transparence et la fiabilité des modèles d’IA est aussi mené par des organisations gouvernementales et internationales. De son côté, l’Union européenne a adopté en mai 2024 un règlement sur l’IA qui prévoit notamment des mesures de transparence et de documentation minimales, plus ou moins strictes en fonction du niveau de risque.

  • Etude : l’IA générative pour combler le fossé linguistique dans les récits médicaux

    Données médicales non structurées : une mine à explorer

    Les récits médicaux sont essentiels pour identifier correctement l’état de santé d’un patient, car ils fournissent des informations sur sa situation actuelle ainsi que sur l’évolution de son état de santé. Cependant, ces récits sont souvent vagues et difficiles à catégoriser. En effet, les données non structurées, telles que les récits médicaux, restent difficiles à générer. Cependant, elles sont importantes, car le contexte narratif fournit des informations essentielles.

    Les modèles de langage peuvent être utilisés pour extraire des éléments de ces récits. Cependant, un problème majeur réside dans le manque de données pour entraîner ces modèles dans des langues autres que l’anglais. Cela peut entraîner un biais lorsqu’il s’agit de former des modèles. Il est donc nécessaire de développer une méthode pour créer des récits synthétiques de haute qualité.

    Générer des récits fictifs grâce à l’IA

    Des chercheurs allemands du Stuttgart Cancer Center et de l’université de Stuttgart ont donc mené une étude afin d’évaluer la capacité l’IA générative à créer des récits médicaux synthétiques en allemand à partir de données réelles de patients, tout en protégeant leur confidentialité. En effet, la plupart des ensembles de données biomédicales annotées sont disponibles en anglais. Ce manque de données freine le développement de modèles d’IA biomédicale pour des langues autres que l’anglais. L’objectif de leur étude était donc de tirer parti des outils d’IA générative comme ChatGPT pour créer un jeu de données ressemblant étroitement à des récits cliniques authentiques et démontrer que la génération de données peut constituer une alternative viable à l’accès à des données qui, autrement, seraient indisponibles. Les normes strictes de protection des données de santé les rendant par ailleurs difficiles d’accès.

    Si l’utilisation de l’IA pour générer des textes médicaux a montré un énorme potentiel, elle soulève cependant des questions éthiques, notamment en ce qui concerne la protection des données personnelles et la production de contenu trompeur ou incohérent.

    Concrètement, les chercheurs ont donc mis au point une méthode pour générer des récits médicaux en allemand, décrivant l’état de patients imaginaires, à partir de données issues d’un groupe de patients réels. Ces récits médicaux générés ont ensuite été annotés automatiquement, ce qui permet de former des outils de reconnaissance d’entités nommées. Ce que la Cnil définit comme une « sous-tâche d’extraction d’informations qui cherche à localiser et classifier les mentions d’entités nommées dans du texte non structuré en catégories prédéfinies ». L’évaluation de la performance de ces outils repose sur 3 mesures :

      • La précision : C’est la proportion des entités correctement identifiées parmi celles que le modèle a classées comme pertinentes.
      • Le rappel : C’est la proportion des entités réellement présentes dans le texte et que le modèle a bien identifiées.
      • Le score F1 : il combine la précision et le rappel en une seule métrique.

    Les résultats de leur étude ont été publiés le 28 décembre dans la revue BMC Medical Informatics and decision making.

    Résultats : précis mais loin d’être exhaustif

      • Le modèle de reconnaissance d’entités nommées obtient une précision de 0,8. Cela signifie que 80 % des entités que le modèle a identifiées étaient correctes.
      • Dans tous les scénarios, le rappel restait faible, ce qui indique que les modèles sont « prudents » et ont du mal à reconnaître toutes les entités biomédicales sur des données réelles.
      • Le score F1 était de 0,3, ce qui suggère que le modèle n’identifie qu’une faible partie des entités.

    Ces résultats montrent que les modèles sont prudents et ne marquent que les entités pour lesquelles il est presque certain.  Ils privilégient la précision au détriment de l’exhaustivité. En outre, les auteurs mentionnent plusieurs limitations : des récits générés manquant des nuances, un style naïf, ne correspondant pas à l’expertise requise dans la documentation médicale…

    Cependant, ils estiment que cette méthode qu’ils surnomment le « standard en aluminium » a le potentiel de synthétiser des données non structurées et de les utiliser pour l’entraînement de modèles de machine learning tout en protégeant la confidentialité des patients. Ainsi « certaines tâches dans les hôpitaux, comme la rédaction des lettres de sortie, pourraient être automatisées, réduisant ainsi la charge de travail des professionnels de santé. »

    * The aluminum standard: using generative Artificial Intelligence tools to synthesize and annotate non-structured patient data.

    Diaz Ochoa, J.G., Mustafa, F.E., Weil, F. et al.

    BMC Med Inform Decis Mak 24, 409 (2024). https://doi.org/10.1186/s12911-024-02825-4

     

  • Etude : l’empathie des chatbots d’IA mise à mal par des biais raciaux

    L’essor des LLM en santé mentale

    Faute de suffisamment de professionnels de santé mentale, ou par crainte d’en consulter un, le monde numérique attire de plus en plus de personnes cherchant du soutien en santé mentale. Pour répondre à cette demande, plusieurs applications spécialisées dans les soins psychologiques se sont développées et certaines d’entre elles sont basées sur des LLM comme GPT-4.

    Afin de savoir si les conseils délivrés par l’intelligence artificielle sont de qualité et s’ils respectent une forme d’équité envers tous les patients, une équipe de chercheurs issus du MIT, de l’Université de New York et de l’UCLA ont mené une étude. Ils sont partis d’un ensemble de données de 12 513 publications avec 70 429 réponses provenant de 26 forums liés à la santé mentale et ont demandé à deux psychologues cliniciens d’évaluer 50 publications aléatoirement sélectionnées. Chaque publication était associée à une réponse réelle ou à une réponse générée par GPT-4. A l’aveugle, les psychologues devaient évaluer le niveau d’empathie dans chaque réponse.

    Les résultats de leur étude ont été publiés lors de la Conference on Empirical Methods in Natural Language Processing qui s’est tenue à Miami du 12 au 16 novembre.

    Résultats : les LLM ne font pas preuve d’empathie avec tous les patients

    • Les réponses de GPT-4 étaient plus empathiques dans l’ensemble.
    • Elles étaient aussi 48 % meilleures pour encourager des changements comportementaux positifs par rapport aux réponses humaines.
    • Les niveaux d’empathie des réponses de GPT-4 étaient réduits pour les utilisateurs noirs (de 2 à 15 % inférieurs) et asiatiques (de 5 à 17 % inférieurs) par rapport aux utilisateurs blancs ou à ceux dont la race n’était pas explicitement mentionnée.
    • Lorsque le texte contenait des indices sur l’origine de la personne, les réponses de GPT-4 étaient moins affectées que celles des répondants humains.

    Ces résultats mettent en évidence que donner explicitement des instructions aux LLM pour qu’ils utilisent les attributs démographiques peut atténuer les biais. Autrement dit, la moindre empathie observée chez certains groupes est due à des biais algorithmiques, probablement dus aux données utilisées pour entraîner le modèle, qui reflètent les biais présents dans les données humaines. Les biais observés ne sont donc pas le résultat d’une intentionnalité ou d’un “racisme” propre aux LLM, mais reflètent plutôt les inégalités et stéréotypes du monde réel. Cette étude pointe par conséquent à nouveau la nécessité de disposer de data de qualité pour concevoir des outils d’IA efficaces.

    Vers la “numéricovigilance” :

    Cette préoccupation n’a pas échappé au collectif MentalTech, qui réunit des entreprises numériques en santé mentale. A l’occasion de la journée mentale de la santé mentale, ce collectif a publié en octobre un rapport sur les risques de la mise en œuvre à grande échelle de ces outils. Selon eux, il est « crucial d’établir un cadre national de matériovigilance spécifique à l’IA pour vérifier l’absence de biais. Nous nous inspirons ici des principes de la pharmacovigilance, adaptés dans ce contexte sous l’appellation de « numéricovigilance ».

     

     

    * Can AI Relate: Testing Large Language Model Response for Mental Health Support

    Saadia Gabriel, Isha Puri, Xuhai Xu, Matteo Malgaroli, Marzyeh Ghassemi

    Findings of the Association for Computational Linguistics: EMNLP 2024

     

  • Etude : les comptes-rendus cliniques générés par IA réduisent peu la charge administrative (NEJM)

    L’IA, solution à la charge administrative

    L’ambient listening (écoute ambiante) suscite beaucoup d’intérêt. Des outils utilisant l’intelligence artificielle (IA) sont de plus en plus utilisés pour automatiser la documentation lors des consultations médicales. Déléguer l’analyse et le résumé des conversations vise évidemment à simplifier le travail des cliniciens. D’une part, ces outils d’ambient listening peuvent améliorer la précision des informations comparées à ce que les médecins pourraient se rappeler. D’autre part, ils pourraient réduire la charge administrative, permettant aux cliniciens de se concentrer davantage sur les soins, et par conséquent contribuer à diminuer le stress des soignants et à rendre les soins plus efficaces.

    L’efficacité de l’ambient listening en question :

    L’un de ces outils se nomme le Dragon Ambient eXperience (DAX), développée par Nuance Communications, une société de Microsoft. Il génère une note clinique en « écoutant » la conversation entre un clinicien et un patient lors de la consultation. Atrium Health, un grand système de santé académique multisite, a été le premier à utiliser le DAX Copilot. Il a donc mené une évaluation des résultats de l’utilisation de DAX dans les contextes de soins primaires afin de déterminer si l’utilisation de DAX améliore l’efficacité des cliniciens (mesurée par des indicateurs d’utilisation des dossiers médicaux électroniques) et les performances financières du système de santé. Leur étude longitudinale incluait 112 cliniciens en soins primaires utilisant DAX et un groupe témoin de 103 cliniciens ne l’utilisant pas. Deux sous-groupes ont été identifiés : les utilisateurs actifs (ayant transféré ≥25 % des notes via DAX) et les utilisateurs intensifs (ayant transféré ≥60 % des notes via DAX).

    Les résultats de leur étude ont été publiés le 22 novembre dans le NEJM AI.

    Résultats : de très légères améliorations dans des sous-groupes

    • Aucune différence statistiquement significative n’a été observée entre les groupes de cliniciens.
    • Les utilisateurs intensifs de DAX ont connu une diminution globale d’environ 7 % des heures de documentation par rapport au groupe témoin.
    • Les cliniciens qui voyaient peu de patients ont passé environ 9 % de temps en moins sur la documentation par rapport au groupe témoin.
    • Les médecins qui voyaient beaucoup de patients ont vu une augmentation moyenne de 2,62 % dans leurs rendez-vous complétés. Disposer de plus de temps par consultation (grâce à la documentation simplifiée) leur permettait sans doute de gérer plus de rendez-vous sans compromettre la qualité de la prise en charge.

    Au vu de ses résultats, se pose la question sur les espoirs mis dans l’ambient listening. Les auteurs de cette étude tiennent en tout cas à souligner que « l’engouement et la nouveauté des outils d’IA d’écoute ambiante ont dépassé les preuves nécessaires pour soutenir ou réfuter les affirmations selon lesquelles ces outils seraient transformateurs en termes de gain de temps et d’efficacité. Par conséquent, les systèmes de santé, qui fonctionnent déjà avec des marges faibles dans des environnements hypercompétitifs, risquent de payer plus cher sans réaliser les bénéfices escomptés. »

    Un espoir de lutte contre l’épuisement professionnel :

    Cependant, ces résultats mettent tout de même en évidence des situations où de tels outils d’IA apportent un bénéfice. Notamment chez les cliniciens avec un volume élevé de patients ou chez les généralistes, où les consultations sont souvent variées et administrativement lourdes. L’automatisation de la rédaction des comptes-rendus pourrait dans ces cas « réduire la charge cognitive et libérer de l’énergie mentale et du temps pour se concentrer davantage sur la gestion des rendez-vous et la clôture rapide des dossiers ». En outre, les auteurs de l’étude font le pari que « les gains d’efficacité offerts par la documentation assistée par IA pourraient se traduire par une diminution des marqueurs d’épuisement professionnel pour un sous-ensemble de cliniciens, et peut-être de manière plus large lorsque l’adoption de DAX atteint un niveau plus élevé. » D’autant que certains cliniciens ont utilisé le gain de temps non pas pour voir plus de patients mais pour dormir davantage et passer moins de temps à travailler chez eux.

    Des travaux supplémentaires doivent donc être menés pour identifier les situations précises dans lesquelles l’ambient listening apporte un bénéfice substantiel. Cependant, une étude antérieure, parue en avril dans le JAMIA, avait conclu que DAX n’avait aucun effet quantifiable sur la sécurité des patients.

    Pour aller plus loin

    Envie de savoir plus sur comment l’IA s’intègre dans le quotidien des professionnels de santé et redéfinit la pratique médicale ? Les inscriptions au Health&Tech Summit sont toujours ouvertes.

    📌 Dans le cadre du Track 2 de cet événement, intitulé “Operational excellence: ready for AI and data-driven care!“, plusieurs experts internationaux vous guideront sur la voie d’une transformation concrète de la santé grâce à l’IA.

    👉 Inscrivez-vous dès maintenant pour anticiper l’avenir des soins cliniques, en suivant ce lien.

     

     

    * Does AI-Powered Clinical Documentation Enhance Clinician Efficiency? A Longitudinal Study

    Tsai-Ling Liu, Timothy C. Hetherington, Ajay Dharod, et al

    Published November 22, 2024
    NEJM AI 2024;1(12)
    DOI: 10.1056/AIoa2400659

  • Etude : une IA décrypte les biopsies plus rapidement et plus précisément que les médecins (Scientific Reports)

    L’IA, amatrice d’images

    L’apprentissage profond, ou deep learning (DL), montre qu’il est plus rapide et plus précis que les humains pour analyser des images. L’un des domaines où cela est particulièrement utile est l’histopathologie, qui consiste à examiner des tissus biologiques pour détecter des maladies, comme le cancer. Les images de tissus sont cependant très grandes et très complexes, ce qui rend leur analyse difficile. C’est pourquoi des chercheurs de l’Université d’État de Washington ont développé une méthode innovante basée sur l’intelligence artificielle (IA), capable d’analyser rapidement et de manière précise des images très détaillées de tissus (appelées “images à gigapixels”). Cette méthode peut non seulement détecter des pathologies dans les tissus, mais aussi classer l’image entière en fonction de la présence ou non de la maladie.

    La “segmentation pyramidale” pour lire des gigapixels :

    Cette approche innovante, appelée “la segmentation pyramidale”, fonctionne en plusieurs étapes :

    ➡️ Découpage en tuiles :

    L’image complète (gigapixel) est découpée en petites sections (ou “tuiles”) plus faciles à analyser. Cela réduit la charge de traitement à chaque étape. Puis, chaque « tuile » est analysée individuellement par le modèle d’apprentissage profond.

    ➡️ Prise en compte du contexte spatial :

    Chaque section est étudiée en tenant compte de son environnement. Cela permet au modèle de “comprendre” la position de cette petite région par rapport au reste de l’image et ses relations avec les tissus environnants.

    ➡️ Combinaison des résultats :

    Une fois que toutes les « tuiles » ont été analysées, leurs résultats sont combinés pour produire une analyse complète de l’image entière. Ainsi, le modèle d’IA peut faire une classification “binaire” de l’image (maladie présente ou absente), tout en localisant précisément les zones pathologiques.

    Cette approche a été entraînée et validée sur une large variété de types de tissus (testicules, ovaires, prostate, rein) et de pathologies, provenant d’une étude histologique épigénétique menée à l’Université d’État de Washington.

    Les résultats de cette étude ont été publiés le 5 novembre dans Scientific Reports.

    Résultats : une détection plus précise et plus rapide

    • Le modèle d’apprentissage profond analyse l’ensemble de l’image et prend en compte la taille des anomalies tissulaires, tandis que l’analyse manuelle ne compte que les occurrences. Le nombre de pixels concernés renseigne ainsi sur l’étendue de la lésion.
    • L’IA a naturellement permis de traiter des jeux de données vastes beaucoup plus rapidement que l’analyse manuelle. Tandis qu’une analyse manuelle prenait un an, le modèle a pris seulement 2,5 jours.
    • L’IA a parfois détecté des signes que les pathologistes humains avaient manqués.

    « Ce programme d’apprentissage profond basé sur l’IA s’est révélé très, très précis pour l’analyse de ces tissus », a déclaré Michael Skinner, biologiste à l’Université d’État de Washington et co-auteur principal de l’étude. Et d’ajouter : « Cela pourrait révolutionner ce type de médecine pour les animaux et les humains, en facilitant considérablement ce genre d’analyse. » De son côté, Lawrence Holder, l’autre co-auteur principal de l’étude, a affirmé que « nous avons maintenant un moyen d’identifier les maladies dans les tissus plus rapidement et plus précisément que les humains. » Pour lui, le réseau que son équipe a conçu est à la pointe de la technologie : « Nous l’avons comparé à plusieurs autres systèmes et ensembles de données pour cet article, et il les a tous surpassés. »

    Des ressources informatiques importantes

    Bien que l’approche ait montré des résultats prometteurs sur les ensembles de données utilisés, il reste à confirmer qu’ils peuvent être généralisés à d’autres ensembles de données, en particulier dans des contextes cliniques réels ou sur des images provenant de différents laboratoires ou technologies d’imagerie. Par ailleurs, les images à gigapixels, qui sont extrêmement grandes, posent un défi technologique : la méthode de segmentation pyramidale est certes efficace, mais elle nécessite des ressources informatiques colossales pour garantir rapidité et fiabilité.

     

     

    * Scalable deep learning artificial intelligence histopathology slide analysis and validation.

    Greeley, C., Holder, L., Nilsson, E.E. et al. 

    Sci Rep 14, 26748 (2024). https://doi.org/10.1038/s41598-024-76807-x

     

  • Etude : la télésanté, une option à ne pas négliger pour prévenir le risque de suicide (Jama)

    Soins virtuels : un manque de données sur les idées suicidaires

    En France, près de 9000 décès par suicide sont enregistrés chaque année. Fort heureusement, ce chiffre diminue depuis une trentaine d’années mais comme le souligne France Assos Santé, la part de la mortalité attribuable au suicide chez les moins de 35 ans est en augmentation. Notamment depuis la pandémie de Covid 19. Au niveau mondial, plus de 700 000 personnes par an mettent fin à leur jour.

    Or, si plusieurs essais cliniques randomisés ont démontré que les traitements de télésanté psychiatrique via vidéoconférence ont une efficacité équivalente à celle des traitements psychiatriques en personne, notamment dans le traitement du trouble de stress post-traumatique, de la dépression, ou encore de l’anxiété sociale, les données faisaient défaut concernant les idées suicidaires. En la matière, la prudence était de mise. “Historiquement, les patients à haut risque étaient considérés comme inadaptés aux soins virtuels en raison des préoccupations liées au risque et à la responsabilité,” a expliqué Justin Baker, psychologue clinicien à l’université de Boston. C’est justement pour cette raison qu’il a participé à la réalisation d’une étude de cohorte rétrospective.

    Une étude en plein Covid :

    Entre mars 2020 au 31 décembre 2021, en pleine épidémie de Covid, une équipe de chercheurs du Centre Médical Wexner et de la Faculté de Médecine de l’Université d’État de l’Ohio a analysé 66 387 données provenant de 16 236 anciens combattants libérés de leurs obligations militaires. Ces hommes – pour la plupart- avaient reçu au moins deux diagnostics liés à la dépression majeure, au trouble de stress post-traumatique ou à un trouble lié à l’utilisation de substances. Et ils avaient bénéficié soit d’une thérapie cognitive et comportementale brève soit d’une thérapie centrée sur le présent. Les patients ont eu en moyenne 2,2 visites par mois, avec une combinaison de visites virtuelles, téléphoniques et en présentiel.

    Les résultats de cette étude ont été publiés le 5 novembre dans le Jama Network Open.

    Résultats : + de visites virtuelles = – d’actes suicidaires

      • 929 événements liés au suicide (tentatives de suicide, automutilation ou décès) ont été recensés, soit 1,4 % de l’échantillon.
      • 44,6 % des consultations totales en santé mentale ont été délivrées virtuellement.
      • Une augmentation de 1 % des visites virtuelles était associée à une réduction de 2,5 % des événements liés au suicide.

    Ce résultat suggère donc que les services de santé mentale virtuels pourraient avoir un effet protecteur en matière de prévention du suicide. Les auteurs de l’étude formulent plusieurs hypothèses pouvant expliquer de tels bénéfices. Tout d’abord, la télésanté rend les soins de santé mentale plus accessibles. Les professionnels de santé mentale n’étant pas présent partout. Mais cette plus grande accessibilité pourrait aussi être due à une réduction de la stigmatisation. Prendre un rendez-vous en face à face avec un professionnel de la santé mentale reste encore une étape difficile à franchir pour une partie de la population. Enfin, « le fait de se trouver dans un environnement familier, comme son domicile, renforce le sentiment de sécurité psychologique », avancent les chercheurs.

    Préliminaires, ces résultats ont besoin d’être confirmés, notamment auprès d’un public différent. L’étude n’a en effet été menée que chez des vétérans. Sa généralisation reste donc à expérimenter.

     

     

    * Virtual Mental Health Care and Suicide-Related Events.

    Tenso K, Strombotne K, Garrido MM, Lum J, Pizer S.

    JAMA Netw Open. 2024;7(11):e2443054. doi:10.1001/jamanetworkopen.2024.43054

     

  • Etude : les radiologues auraient tendance à faire trop confiance à l’IA (Radiology)

    L’impact de l’IA sur la prise de décision diagnostique

    En 2022, 190 programmes de logiciels d’IA en radiologie ont été approuvés par la Food and Drug Administration (FDA) des États-Unis. Ils ont clairement fait leur entrée dans la pratique. Cependant, les explications fournies par l’intelligence artificielle aident-elles ou nuisent-elles aux radiologues dans la prise de décisions diagnostiques ? La réponse à cette question n’est pas encore très claire.

    Pour y voir plus clair, des chercheurs américains issus de différentes universités (John Hopkins, Maryland, Memphis) ont mené une étude multicentrique prospective et randomisée entre avril et septembre 2022. Concrètement, quelque 220 radiologues et médecins en médecine interne/médecine d’urgence ont lu des radiographies thoraciques accompagnées des conseils de l’IA. Chaque médecin devait évaluer huit cas de radiographies thoraciques avec des suggestions d’un assistant IA. Ce dernier fournissait un diagnostic correct ou incorrect avec des explications locales ou globales. Et pour compléter la situation, les médecins étaient également en possession de l’historique clinique du patient.

    L’objectif était d’évaluer si le type d’explication de l’IA, ainsi que la justesse et le niveau de confiance des conseils de l’IA influençaient la performance diagnostique des médecins, leur perception de l’utilité des conseils de l’IA et leur confiance dans ces conseils pour le diagnostic des radiographies thoraciques.

    Les résultats de cette étude ont été publiés le 19 novembre dans Radiology, la revue de la Radiological Society of North America (RSNA).

    Résultats : les explications locales de l’IA plus efficaces

    • Lorsque les conseils de l’IA étaient corrects, la précision diagnostique moyenne parmi les réviseurs était de 92,8 % avec des explications locales et de 85,3 % avec des explications globales.
    • Lorsque les conseils de l’IA étaient incorrects, la précision des médecins était de 23,6 % avec des explications locales et de 26,1 % avec des explications globales.
    • Les explications locales ont permis de réduire le temps passé à considérer les conseils de l’IA.

    Ces résultats mettent donc en évidence l’amélioration diagnostique grâce à l’aide de l’IA. « Les explications locales guident directement le médecin vers la zone de préoccupation en temps réel », a déclaré le Dr Yi, co-auteur de l’essai. « Dans notre étude, l’IA a littéralement encadré les zones de pneumonie ou d’autres anomalies. »

    Ce gain en précision et en temps pourrait cependant présenter des inconvénients. En effet, “lorsque des explications locales étaient fournies, les radiologues et non radiologues de l’étude avaient tendance à faire confiance plus rapidement au diagnostic de l’IA, quel que soit l’exactitude des conseils de l’IA”, a déclaré le Dr Yi.

    “Une arme à double tranchant” :

    Serait-ce une confiance aveugle ? La question se pose. Pour l’auteur principal de l’étude, professeur adjoint au Département d’informatique de l’Université Johns Hopkins, cette confiance dans l’IA pourrait être « une arme à double tranchant, car elle risque de conduire à une trop grande dépendance ou à un biais d’automatisation ». “Lorsque nous nous fions trop à ce que l’ordinateur nous dit, c’est un problème, car l’IA n’a pas toujours raison,” a rajouté le Dr Yi. “Je pense qu’en tant que radiologues utilisant l’IA, nous devons être conscients de ces pièges et rester vigilants par rapport à nos schémas diagnostiques et à notre formation.” Les chercheurs estiment donc nécessaire de renforcer leur collaboration avec l’industrie.

     

     

    * Care to Explain? AI Explanation Types Differentially Impact Chest Radiograph Diagnostic Performance and Physician Trust in AI.

    Collaborating with Dr. Yi, Dr. Huang, Prinster and Mahmood were Suchi Saria, Ph.D., Jean Jeudy, M.D., and Cheng Ting Lin, M.D

    Published Online:Nov 19 2024

  • Etude : une IA pourrait à l’avenir dépister les cas de diabète (Congrès EASD)

    Diabète : un sous-diagnostic préoccupant

    Près de la moitié des adultes atteints de diabète (environ 240 millions dans le monde) ignorent leur condition. Une ignorance qui peut se révéler préjudiciable puisque la détection et le traitement précoces peuvent aider à prévenir de graves complications. L’amélioration du dépistage représente donc un enjeu majeur de santé publique. C’est à cette tâche que des chercheurs français de l’hôpital Lariboisière (APHP) et du Luxembourg Institute of Health se sont attelés. Comme l’a expliqué l’un d’entre eux, Abir Elbeji, « la plupart des méthodes actuelles de dépistage du diabète de type 2 demandent beaucoup de temps, sont invasives, nécessitent des laboratoires et coûtent cher. Combiner l’intelligence artificielle (IA) avec la technologie vocale pourrait rendre le dépistage plus accessible en supprimant ces obstacles. » Ils ont donc mené une étude visant à développer et à évaluer la performance d’un algorithme d’IA basé sur la voix pour détecter si des adultes sont atteints de DT2.

    La voix affectée par le DT2 :

    Des travaux antérieurs ont en effet démontré que le diabète peut modifier la voix. Plusieurs mécanismes pourraient être impliqués : le diabète entraîne souvent une déshydratation, ce qui peut assécher les muqueuses, y compris les cordes vocales. La maladie peut aussi affaiblir les muscles et les nerfs de la région laryngée, altérer la respiration notamment chez les personnes atteintes de complications cardiovasculaires ou d’obésité. Les fluctuations rapides de la glycémie peuvent également avoir un impact sur la voix à cause des baisses d’énergie et de concentration qu’elles génèrent. Les chercheurs ont donc eu recours à des algorithmes.

    Concrètement, ils ont demandé à 607 adultes de l’étude Colive Voice – avec ou sans DT2 – de fournir un enregistrement de leur voix lisant quelques phrases, directement depuis leur smartphone ou ordinateur portable. L’algorithme devait analyser divers paramètres vocaux, comme les variations de hauteur, d’intensité et de ton. Ces 25 secondes d’enregistrements ont par ailleurs été associés à des données de santé de base comme l’âge, le sexe, l’indice de masse corporelle (IMC) et l’état d’hypertension.

    Les résultats de cette étude ont été présentés en septembre au congrès de l’EASD (European Association for the Study of Diabetes Annual Meeting).

    Résultats : l’IA aussi précise qu’un score de risque classique

    • L’IA identifiait correctement 71 % des cas de DT2 chez les hommes et 66 % chez les femmes.
    • Le modèle a obtenu de meilleurs résultats chez les femmes âgées de 60 ans et plus et chez les personnes hypertendues.
    • L’analyse vocale était concordante à 93% avec le score de risque de l’ADA (American Diabetes Association), qui est basé sur un questionnaire. Ce questionnaire évalue des facteurs comme l’âge, le poids, la tension artérielle et les antécédents familiaux pour estimer le risque de diabète.

    Utiliser la voix comme méthode de dépistage de première ligne pour le diabète de type 2 n’est évidemment pas pour tout de suite. Mais les auteurs de l’étude jugent ces résultats « prometteurs ». « Nos prochaines étapes consistent à cibler spécifiquement les cas de diabète de type 2 au stade précoce et de prédiabète », a déclaré le co-auteur Dr Guy Fagherazzi de l’Institut de Santé du Luxembourg.

    Le diabète n’est d’ailleurs pas la seule maladie qui pourrait être détectée grâce à la voix. Des études antérieures ont déjà révélé que notre voix serait impactée par la maladie d’Alzheimer, la dépression ou encore le covid. Loin de nous trahir, elle pourrait donc nous sauver.

     

     

    * Can we screen for type 2 diabetes using voice? Findings from the Colive Voice study

    Guy Fagherazzi, Mégane Pizzimenti, Jean-Pierre Riveline, Gloria Aguayo, Aurélie Fischer, Hanin Ayadi, Abir Elbeji, Franck Mauvais-Jarvis, Vladimir Despotovic.

    Abstract # 365 – Session: SO 013 Prevention of type 2 diabetes

  • Etude : une IA couplée à une vidéo pourrait dépister diabète et HTA sans test invasif (AHA)

    DT2 et HTA : combattre le sous-diagnostic

    Un adulte sur trois est concerné par l’hypertension artérielle mais seule la moitié le sait. Une ignorance qui peut se révéler dramatique car l’HTA est la première cause évitable d’AVC. Quant au diabète de type 2, 28% des patients sont diagnostiqués au stade des complications donnant lieu à l’hospitalisation. Dans les deux cas, le diagnostic précoce fait donc défaut. Trouver des méthodes plus simples et moins invasives que les examens actuels pourraient par conséquent représenter un intérêt.

    C’est pourquoi des chercheurs de l’université de Tokyo ont mené une étude préliminaire visant à évaluer l’intérêt de l’IA dans le dépistage du diabète et de l’HTA. Concrètement, ils ont collecté des données entre août 2022 et mai 2024 dans les services de cardiologie de l’Hôpital universitaire de Tokyo auprès de 215 adultes (âge moyen de 64 ans). Parmi elles, 62 étaient diagnostiquées hypertendues, 88 avaient des valeurs normales selon les normes japonaises (moins de 115/75 mm Hg), et 65 avaient des valeurs entre ces deux plages. De plus, 44 personnes étaient diagnostiquées diabétiques ou avaient un niveau d’HbA1c de 6,5 % ou plus.

    Quand l’IA décrypte les caractéristiques du flux sanguin

    Les chercheurs ont ensuite développé un algorithme d’IA breveté, qui a été combiné avec une vidéo rapide de 5 à 30 secondes de la peau du visage et de la paume de la main. En effet, l’hypertension et le diabète modifient de manière subtile le flux sanguin dans le visage et les mains. Les chercheurs ont ainsi pu tester l’efficacité d’une caméra vidéo à haute vitesse pour enregistrer des images du visage et de la paume des mains à une vitesse de 150 images par seconde. Grâce à des données de longueur d’onde permettant de détecter les ondes de pouls, l’équipe a ensuite utilisé son algorithme pour détecter l’hypertension et le diabète à partir des caractéristiques du flux sanguin capturées sur les vidéos.

    Résultats : l’IA précise à plus de 90%

    • Comparé aux valeurs de pression artérielle mesurées par un moniteur de pression continu, la combinaison vidéo/algorithme s’est révélée précise à 94 % pour détecter une hypertension de stade 1 ( 130/80 mm Hg ou plus selon les directives de l’American Heart Association).
    • La combinaison vidéo/algorithme a également montré une précision de 86 % pour détecter une pression artérielle au-dessus de la normale avec une vidéo de 30 secondes, et de 81 % avec une vidéo de 5 secondes.
    • Comparée aux résultats du test d’hémoglobine A1c pour le diabète, l’IA associée à la vidéo a permis d’identifier des diabétiques avec une précision de 75 %.

    « J’ai été surprise par l’applicabilité de l’algorithme de flux sanguin pour détecter le diabète », », a déclaré Ryoko Uchida, chercheuse en cardiologie avancée à l’Université de Tokyo. La co-autrice de l’étude estime donc que « cette méthode pourrait un jour permettre aux gens de surveiller leur santé chez eux et conduire à une détection précoce de l’hypertension et du diabète chez les personnes qui évitent les examens médicaux et les tests sanguins. »

    Un dispositif intégré dans le smartphone ?

    Cependant, il s’agit d’une étude préliminaire. Le dispositif de surveillance de la pression utilisé dans cette étude, bien que certifié par la FDA, n’a pas suivi des protocoles de validation appropriés pour garantir son exactitude. Afin d’obtenir une approbation de la FDA, les chercheurs prévoient d’améliorer leur algorithme afin qu’il prenne en compte les arythmies ou les battements cardiaques irréguliers. Et à l’avenir, la caméra pourrait être remplacée par un capteur abordable utilisant uniquement les longueurs d’onde essentielles et ne nécessitant que quelques secondes pour collecter les données. « Il pourrait alors être intégré dans des smartphones (ou même accroché à un miroir où quelqu’un pourrait s’asseoir quelques instants), être produit en masse et rester peu coûteux », », a indiqué Ryoko Uchida.

    *AI-powered tool may offer quick, no-contact blood pressure and diabetes screening

    American Heart Association Scientific Sessions 2024, Abstract MDP1049