Coumau Cécile

  • Etude : une IA créant des comptes rendus cliniques peine à démontrer ses bénéfices (Jamia)

    Soulager la charge administrative grâce à l’IA

    Les médecins se plaignent de plus en plus de la charge administrative qui pèsent sur leurs épaules et grignotent le temps médical. En France, ils y consacrent 5h30 par semaine d’après la Direction de la recherche, des études, de l’évaluation et des statistiques (Drees). Aux Etats-Unis, l’American medical association (AMA) estime quant à elle que les médecins passent près de deux heures à la documentation et aux tâches administratives pour chaque heure de soins aux patients. Ceci explique le nombre croissant de solutions développées pour la délégation et l’automatisation des tâches.

    Des comptes-rendus cliniques en quelques secondes

    C’est ainsi que sont apparus les systèmes d’ « ambient listening ». Il s’agit de solutions d’intelligence artificielle (IA) qui écoutent puis traduisent ce qui se dit lors d’une consultation médicale afin de rédiger une synthèse pour le médecin et le soignant. Un compte-rendu clinique avec une proposition de prescription en quelques secondes. La société Nuance Communications, acquise par Microsoft en 2021, a développé Dax express, la première à combiner une IA conversationnelle générative avec le dernier modèle ChatGPT d’OpenAI, GPT-4.

    Le groupe Intermountain Health, basé dans l’Utah, a déployé les solutions Dax de manière généralisée. Son but est d’aider à relever des défis urgents auxquels sont confrontés tous les systèmes de santé américains, notamment l’épuisement des médecins et la pénurie de personnel. “En tant qu’organisation, nous nous concentrons avec précision sur l’utilisation d’outils d’IA avancés pour améliorer l’expérience des patients et des soignants”, a déclaré Craig Richardville, directeur des services numériques et de l’information chez Intermountain Health. “Les outils d’IA comme Dax copilot apportent une immense valeur à nos équipes cliniques et administratives, en réorganisant les flux de travail, en créant de nouvelles possibilités et en transformant les consultations”, a-t-il affirmé.

    Des membres des services de technologies digitales d’Intermountain Health ont donc mené une étude de cohorte, entre mars et septembre 2022, pour évaluer l’impact de l’utilisation de Dax Express sur l’engagement des soignants, le temps passé sur le dossier médical électronique, la productivité, les événements de sécurité des patients signalés liés à l’utilisation de l’application, le score de probabilité de recommandation des patients, le nombre de patients refusant l’écoute ambiante, et le délai de traitement des notes.

    Les résultats de cette étude ont été publiés dans le numéro du mois d’avril du Journal of the american medical informatics association (Jamia).

    Résultats : plus de temps passé sur les dossiers médicaux

    • 99 prestataires représentant 12 spécialités se sont inscrits à l’étude.
    • La moitié des prestataires qui utilisaient Dasx l’ont utilisé dans 47 % de leurs interactions avec les patients.
    • Ils ont montré des tendances positives en termes d’engagement. Autrement dit l’appli augmentait leur motivation dans leur travail alors que ceux qui ne l’utilisaient pas montraient une baisse de la satisfaction et de la motivation dans leur travail.
    • En terme de productivité, l’utilisation de Dax n’a pas entraîné une augmentation ou une diminution significative de la quantité de travail accompli.
    • Il y a eu une détérioration statistiquement significative du temps passé sur le dossier médical après les heures de travail chez les utilisateurs de Dax .
    • L’utilisation de l’appli n’a ni amélioré ni compromis la sécurité des patients de manière mesurable.

    L’utilisation de l’application Dax express présente donc un impact positif potentiel sur l’expérience des professionnels de santé. Une conséquence non négligeable à l’heure où les médecins se disent épuisés. Cela pourrait se traduire par une réduction du stress et de l’épuisement professionnel et donc, à terme par une meilleure interaction avec les patients et une performance globale améliorée.

    Cependant, pour maximiser cet impact, les auteurs de l’étude estiment qu’il est nécessaire de comparer différentes approches de formation à l’utilisation des dossiers médicaux électroniques afin d’identifier les meilleures pratiques, et ainsi adapter au mieux les applications de documentation clinique automatisée.

     

     

    * The impact of nuance DAX ambient listening AI documentation: a cohort study

    Tyler Haberle, Courtney Cleveland, Greg L Snow, Chris Barber, Nikki Stookey, Cari Thornock, Laurie Younger, Buzzy Mullahkhel, Diego Ize-Ludlow,

    Journal of the American Medical Informatics Association, Volume 31, Issue 4, April 2024, Pages 975–979, https://doi.org/10.1093/jamia/ocae022

  • Etude : les alertes générées par IA aux urgences réduisent le nombre de décès (Critical Care Medicine)

    Des alertes pour réduire les besoins de soins intensifs

    Les questions de fluidification des soins aux urgences et de prise en charge rapide pour éviter toute détérioration de l’état de santé font l’objet de multiples recherches, où l’IA est régulièrement mise à contribution pour atteindre de tels objectifs.

    Des chercheurs de l’Icahn School of Medicine du Mount Sinaï se sont récemment penchés sur la question. « Nous voulions voir si des alertes rapides générées par l’IA et le machine learning, entraînées sur de nombreux types de données patient, pouvaient aider à réduire à la fois la fréquence des besoins en soins intensifs et les chances de décès à l’hôpital », a déclaré Matthew A. Levin, auteur principal de l’étude, professeur d’anesthésiologie, de médecine périopératoire et de gestion de la douleur, ainsi que de sciences génétiques et génomiques, à l’Icahn Mount Sinai.

    Concrètement, ils ont donc mené une étude rétrospective non randomisée sur 2 740 patients adultes admis dans quatre unités médico-chirurgicales du Mount Sinai Hospital à New York. Ils ont été divisés en deux groupes : l’un a reçu des alertes en temps réel basées sur la probabilité prédite de détérioration, envoyées directement à leurs infirmières et médecins ou à une “équipe d’intervention rapide” composée de médecins de soins intensifs ; et dans l’autre groupe, les alertes ont été créées mais pas envoyées. Les auteurs de l’étude avaient émis l’hypothèse que les alertes générées en temps réel par machine learning réduiraient le phénomène d’escalade. Ils ont également observé l’impact de ces alertes générées par l’IA sur la fréquence des ordonnances ainsi que sur la mortalité à l’hôpital à 30 jours.

    Les résultats de cette étude ont été publiés, avec un éditorial associé, le 13 juin dans la revue Critical Care Medicine.

    Résultats : une réduction significative de la mortalité

    • Le taux d’escalade était de 12,3 dans le groupe IA contre 11,3 pour 1000 jours-patients dans le groupe contrôle. Ce qui ne constitue pas une différence significative.
    • Les patients hospitalisés étaient 43 % plus susceptibles de voir leurs soins intensifiés.
    • Les patients du groupe d’intervention étaient plus susceptibles de recevoir des ordonnances de médicaments cardiovasculaires (16,1% contre 11,3%).
    • La mortalité combinée à l’hôpital et à 30 jours dans le groupe recevant les alertes était de 7% contre 9,3% dans le groupe sans alertes, ce qui constitue une différence significative.

    Au vu de ces résultats, l’hypothèse principale des chercheurs n’a donc pas été confirmée. « Nous avons constaté que les alertes en temps réel n’ont pas réduit le taux d’escalade », écrivent ces derniers. En revanche, ce système d’alerte en temps réel a accéléré les transferts en en soins intensifs dans les 12 à 24 heures suivant l’alerte.

    Pas de lassitude liée aux alertes

    Par ailleurs, plusieurs études antérieures ont mis en évidence un phénomène d’accoutumance aux alertes de la part des soignants. Dans cette étude, la stratification des alertes de niveau inférieur pour les infirmières principales et des alertes de niveau supérieur pour les équipes d’intervention rapide ont permis de limiter la « fatigue » liée aux alarmes.

    Cependant, comme l’étude a dû être arrêtée prématurément à cause de l’apparition de la pandémie de COVID-19, seulement 44% des patients prévus ont été inscrits, ce qui a limité la puissance statistique. Des études supplémentaires sont donc nécessaires pour déterminer si ces résultats sont durables et reproductibles.

     

    * Real-Time Machine Learning Alerts to Prevent Escalation of Care: A Nonrandomized Clustered Pragmatic Clinical Trial.

    Levin, Matthew A. MD1–3; Kia, Arash MD1,4; Timsina, Prem PhD4; Cheng, Fu-yuan MS4; Nguyen, Kim-Anh-Nhi MS4; Kohli-Seth, Roopa MD5; Lin, Hung-Mo ScD6; Ouyang, Yuxia PhD1; Freeman, Robert RN, MSN, NE-BC4; Reich, David L. MD1.

    Critical Care Medicine 52(7):p 1007-1020, July 2024. | DOI: 10.1097/CCM.0000000000006243

     

  • Etude : l’introduction de l’IA dans la pratique clinique peine, faute de cadre (Plos)

    L’IA en santé est à la traîne

    Les études sur la performance de l’intelligence artificielle (IA) en matière de santé ne manquent pas. Pourtant, à ce jour, seuls 600 outils d’IA ont été approuvés par la Food and Dru Administration (FDA). L’utilisation en pratique clinique est à la peine, comme le prouve le peu d’offres d’emploi dans le domaine de la santé exigeant des compétences en IA. Selon une étude portant sur la période 2015/2018, seuls 1250 offres exigeaient une telle compétence. Pour favoriser l’utilisation de l’IA en santé dans de bonnes conditions, des guidelines sont nécessaires.

    C’est pourquoi une équipe internationale de chercheurs a mené une revue systématique sur le sujet. Leur recherche bibliographique a donc pour but d’identifier des articles recommandant des pratiques, des cadres ou des lignes directrices pour l’acquisition, l’intégration, la surveillance et l’évaluation des outils d’IA. En effet, la mise en œuvre des outils d’IA est un processus en plusieurs phases qui implique tout d’abord « un processus de recherche avant l’intégration d’un outil d’IA, y compris les décisions de construire ou d’acheter l’outil, écrivent les chercheurs. L’intégration nécessite ensuite le déploiement d’un outil d’IA et son incorporation dans les flux de travail cliniques existants. La surveillance et l’évaluation se produisent après l’intégration et impliquent le suivi des métriques de performance de l’outil, la détermination de l’impact de l’intégration de l’outil et sa modification au besoin pour garantir qu’il continue de fonctionner au niveau de performance initialement prévu », poursuivent ces derniers.

    Ensuite, les données extraites de ces travaux ont été classées en fonction d’un outil d’évaluation de la qualité des soins : le cycle « Plan, Do, Study, Act », soit les étapes correspondant au fait de planifier, de développer, d’étudier puis d’ajuster un outil. La recherche a permis d’identifier 17 537 articles uniques, dont seulement 25 ont été inclus dans la revue.

    Les résultats de cette étude ont été publiés le 29 mai dans la revue Plos Digital Health.

    Résultats : un manque de recommandations sur les phases de l’aval

    • Des thèmes communs à ces différents cadres d’implémentation ont été relevés : la transparence, l’intégration dans les flux de travail existants, la validation de l’outil à l’aide d’indicateurs de performance prédéfinis et l’amélioration de l’algorithme et/ou l’ajustement de l’outil pour améliorer les performances.
    • Parmi les 4 domaines (Plan, Do, Study, Act), le domaine le plus courant était le Plan (84%), suivi par le Study (60%), le Do (52%), et le Act (24%).
    • Parmi les 172 auteurs, seulement 1 provenait d’un pays à faible revenu et 2 de pays à revenu intermédiaire.

    La justification de l’utilisation de l’IA trop peu abordée

    Les cadres visant à la mise en œuvre pratique de l’IA dans des contextes cliniques se concentrent clairement sur le « plan » et le « study ». Autrement dit les phases amont d’une implémentation. Pour les auteurs de l’étude, c’est « encourageant » dans la mesure où cela « peut aider à atténuer les risques potentiels liés à l’intégration des algorithmes, tels que le changement de jeu de données, l’ajustement accidentel des variables confondantes et les différences dans les métriques de performance dues à la généralisation à de nouvelles populations. » « Minimiser les effets indésirables » est, dans le domaine de la santé, une très forte exigence. Cependant, même dans cette phase amont, les chercheurs soulignent des lacunes. La justification de l’utilisation et la responsabilité légale en cas de préjudice n’étaient que très peu abordées, ce qui aux yeux des chercheurs rend « l’adoption de l’IA peu probable ».

    Dans le domaine Study, le thème le plus courant était la validation par rapport à des indicateurs de performance prédéfinis. En revanche, l’expérience utilisateur était relativement absente. « Seul un petit nombre d’études se sont concentrées sur l’acceptabilité par les utilisateurs, la formation des utilisateurs et les exigences en matière d’expertise technique, qui sont des facilitateurs clés d’une intégration réussie », regrettent-ils. Autre point faible mentionné : seulement 6 articles portaient sur l’amélioration de l’outil d’IA après intégration.

    Des guidelines peu généralisables aux pays à faible revenu

    Les chercheurs ont également tenu à souligner que les cadres existants ont été développé dans des pays riches, et donc pour des environnements riches en ressources et en capacités. Par conséquent, ces guidelines ne peuvent pas être généralisables ou applicables dans des pays à revenu faible ou intermédiaire.

    Enfin, ils pointent du doigt un autre aspect qui ralentit la mise en pratique de l’IA dans la santé : le décalage entre les développeurs et les utilisateurs finaux. « L’absence de ces “facilitateurs” de la technologie de l’IA signifie que la technologie émergente de l’IA pourrait rester confinée à une minorité de premiers adoptants, avec très peu d’outils gagnant une traction généralisée », prédisent les chercheurs.

     

    * Frameworks for procurement, integration, monitoring, and evaluation of artificial intelligence tools in clinical settings: A systematic review

    Sarim Dawar Khan, Zahra Hoodbhoy, Raja MHR, Kim JY, Hogg HDJ, Manji AAA, et al. (2024)

    PLOS Digit Health 3(5): e0000514. DOI: 10.1371/journal.pdig.0000514

  • Etude : qui sont les super-diffuseurs de fausses informations sur Twitter ? (Plos One)

    La santé minée par la désinformation

    Lutter contre la désinformation représente un réel enjeu pour la démocratie. L’urgence à combattre les fake news est apparue de manière criante pendant la pandémie de Covid. En effet, l’abondance de désinformation liée à la santé était telle que le Surgeon General des États-Unis a averti les Américains de la menace de la désinformation sanitaire. Et la confusion publique créée par ce contenu a conduit l’Organisation mondiale de la santé à collaborer avec les principales plateformes de médias sociaux et les entreprises technologiques du monde entier pour tenter de limiter sa propagation.

    Plusieurs études ont déjà été menées sur le sujet et elles ont notamment révélé que dans le domaine de la santé, les super-diffuseurs de contenus peu crédibles sur Facebook et Twitter émanaient de pages populaires et de comptes vérifiés par les plateformes. Cependant, le profil précis de ces supers ainsi que leur comportement étaient mal connus. Sans doute par manque d’une méthode précise pour identifier ces utilisateurs.

    Une enquête sur les super-diffuseurs dans 4 pays européens :

    C’est pourquoi une équipe d’analystes des médias sociaux de l’université de l’Indiana a souhaité comparer différentes techniques permettant de caractériser ces comptes de super-diffuseurs. Ils ont commencé par collecter 10 mois de données sur Twitter (X aujourd’hui) ce qui a représenté 2 397 388 tweets envoyés par 448 103 utilisateurs, puis ils les ont analysées, recherchant des tweets signalés comme contenant des informations de faible crédibilité. Les données, publiées entre 2019 à 2021, émanaient de la France, l’Allemagne, l’Italie et du Royaume-Uni et se concentraient notamment sur les nouvelles concernant le Brexit, le coronavirus et les vaccins contre la Covid.

    Puis ils ont eu recours à différentes mesures pour les analyser : le Bot Score (probabilité qu’un compte soit automatisé, la Popularité (nombre de followers), l’Influence (nombre de retweets de contenus peu crédibles obtenus pendant la période initiale) et l’indice h, créé pour mesurer l’influence des universitaires. Appliqué aux réseaux sociaux, l’indice h d’un utilisateur i est défini comme le nombre maximal de messages qu’il a créés et qui renvoient vers des sources peu crédibles, si ces messages ont ensuite été partagés au moins autant de fois par d’autres utilisateurs. En outre, ils ont mené une revue qualitative des pires super-diffuseurs.

    Les résultats de cette étude ont été publiés le 22 mai dans Plos One.

    Résultats : un petit nombre de comptes avec une très large capacité d’influence

    • Dans les 4 pays, la grande majorité des utilisateurs ne consommaient que des sources d’informations fiables sur chacun des trois sujets.
    • L’Allemagne avait le ratio le plus élevé de retweets de nouvelles douteuses par rapport aux retweets de nouvelles fiables, la France était en deuxième position, suivie par l’Italie, et le Royaume-Uni .
    • L’Italie, par exemple, avait la plus faible proportion de retweets de nouvelles douteuses pour le sujet du coronavirus.
    • 52 % des super-diffuseurs sur Twitter sont de nature politique.
    • Un tiers des tweets de faible crédibilité avaient été postés par des personnes utilisant seulement 10 comptes, et que seulement 1 000 comptes étaient responsables de la publication d’environ 70 % de ces tweets.
    • Les super-diffuseurs utilisent un langage toxique beaucoup plus souvent que l’utilisateur typique partageant des contenus peu crédibles.
    • L’indice h et l’influence sont les mesures les plus efficaces pour identifier les super-diffuseurs de contenu peu crédible. La popularité est également utile mais moins précise, tandis que le Bot Score seul ne suffit pas pour identifier les principaux acteurs humains de la désinformation.
    • Un grand nombre de comptes super-diffuseurs identifiés ont été suspendus, ce qui suggère une reconnaissance tardive mais réelle de ces comptes problématiques par Twitter.

    Globalement, ces résultats confirment le fait que les super-diffuseurs de fake news représentent un petit nombre de compte avec une très large capacité d’influence.  En 2021, le Center for Countering Digital Hate avait rapporté que seulement 12 étaient responsables de près des deux tiers des contenus anti-vaccins circulant sur les réseaux sociaux.

    Twitter accusé d’un manque de surveillance :

    Les chercheurs ont également étudié les relations entre la suspension, le statut vérifié et la popularité des super-diffuseurs. « Cette analyse suggère que Twitter pourrait négliger des super-diffuseurs vérifiés ayant un très grand nombre de followers, » écrivent les auteurs de l’étude. En effet, un compte sur cinq parmi les superspreaders a été vérifié par Twitter. Le réseau social pourrait donc négliger des super-diffuseurs vérifiés ayant un très grand nombre de followers. Des résultats qui sont qualifiés de « préoccupants ». Car la désinformation a des impacts néfastes sur la société, allant de la diffusion de la méfiance envers les institutions démocratiques à la mise en danger de la santé publique.

     

    * Identifying and characterizing superspreaders of low-credibility content on Twitter

    Matthew R. DeVerna et al,

    PLOS ONE (2024). DOI: 10.1371/journal.pone.0302201

     

  • Etude : les LLM pourraient fluidifier les admissions dans les services d’urgence (Jamia)

    Réduire les embouteillages aux urgences

    En France, quelque 20 millions de personnes passent aux urgences chaque année. La majorité des structures enregistre entre 15.000 et 40 000 passages. Et parmi ces patients, 18,4% sont hospitalisés. Ces chiffres illustrent bien le tri qui est effectué chaque jour par ces services. Un tri qui représente à la fois un enjeu médical et organisationnel. Afin de faciliter ce travail, des chercheurs américains de l’École de médecine Icahn à Mount Sinai ont souhaité tester la capacité de l’IA générative à effectuer ce tri, pour savoir en particulier si les grands modèles de langage (LLM) comme GPT-4, pouvaient améliorer la capacité à prédire les admissions dans des environnements à fort volume comme les services d’urgence.

    Concrètement, les chercheurs ont analysé les dossiers de sept hôpitaux du système de santé Mount Sinai, en utilisant des données structurées, comme les signes vitaux, et des données non structurées, comme les notes de triage des infirmières, issues de plus de 864 000 visites aux urgences. Parmi ces visites, 159 857 (18,5 %) ont conduit à l’admission du patient à l’hôpital.

    GPT-4, assistant de tri :

    Ils ont ensuite comparé GPT-4 à des modèles d’apprentissage automatique traditionnels. L’outil pourrait se révéler utile car alors que les modèles d’apprentissage automatique traditionnels utilisent des millions de dossiers pour s’entraîner, les LLM peuvent apprendre efficacement à partir de seulement quelques exemples. « Notre objectif est d’améliorer la prise de décision clinique grâce à cette technologie, » a déclaré le Dr Eyal Klang, co-auteur principal et directeur du programme de recherche sur l’IA générative à la division de médecine numérique et basée sur les données (D3M) à Icahn Mount Sinai.

    Les résultats de cette étude ont été publiés le 21 mai dans le Journal of the American Informatics Association (Jamia).

    Résultats : les LLM précis à 83%

    • Le LLM a prédit les malades ayant besoin d’être hospitalisés avec un taux de précision d’environ 83 %.
    • Le modèle a réussi à identifier correctement 88% des cas positifs, tandis que les 12% restants ont été classés à tort comme négatifs.
    • La performance du GPT-4 a montré une amélioration substantielle lorsqu’il a reçu des données limitées et pertinentes pour apprendre.

     

    « Notre recherche suggère que l’IA pourrait bientôt soutenir les médecins dans les services d’urgence en prenant des décisions rapides et informées sur les admissions des patients, » estiment les auteurs de l’étude. Au-delà des résultats qui ne sont pas parfaits, ces derniers ont surtout été surpris par la manière dont GPT-4 s’est adapté au cadre des urgences et a fourni des justifications pour ses décisions. « Cette capacité à expliquer son raisonnement le distingue des modèles traditionnels et ouvre de nouvelles perspectives pour l’IA dans la prise de décision médicale. »

    Besoin de davantage de données réelles :

    Bien sûr, malgré ces résultats encourageants, l’IA ne jouera qu’un rôle de soutien, dans une telle prise de décision en fournissant des informations supplémentaires, « sans jamais remplacer la composante humaine ».  Et si à terme, le recours à l’IA pourrait réduire le temps d’attente des patients et déterminer plus rapidement le nombre de lits nécessaires dans un hôpital, un raffinement supplémentaire des LLMs avec des données réelles sera nécessaire avant d’envisager une intégration réussie en tant qu’outils de support décisionnel dans les environnements de soins.

     

    * Evaluating the accuracy of a state-of-the-art large language model for prediction of admissions from the emergency room

    Benjamin S Glicksberg, Prem Timsina, Dhaval Patel, Ashwin Sawant, Akhil Vaid, Ganesh Raut, Alexander W Charney, Donald Apakama, Brendan G Carr, Robert Freeman, Girish N Nadkarni, Eyal Klang,

    Journal of the American Medical Informatics Association, 2024

  • Etude : les outils technologiques moins efficaces que l’humain pour lutter contre l’obésité (Jama)

    Un besoin urgent de traitements peu coûteux contre l’obésité

    L’épidémie d’obésité fait peser de lourdes charges sur les systèmes de santé et pose évidemment des problèmes de ressources humaines. Le besoin de traitements de l’obésité à faible coût mais efficaces, dispensés par la technologie, est donc devenu urgent. Des recherches antérieures ont déjà montré que les outils de santé mobile pour suivre l’alimentation, l’exercice et le poids augmentent l’implication des malades dans leur traitement. Restait à savoir si cet engagement par une perte de poids significative, même en l’absence de toute intervention humaine.

    Tracker d’activité, balance connectée versus accompagnement humain :

    C’est pourquoi une équipe de chercheurs américains de la Northwestern University (Chicago) ont mis en place un essai contrôlé randomisé qui comparait deux approches de traitement. Dans l’étude SMART, 400 adultes âgés de 18 à 60 ans souffrant d’obésité ont été répartis au hasard pour commencer trois mois de traitement comportemental progressif de l’obésité en commençant soit uniquement par le système de rétroaction sans fil (WFS), soit par le WFS plus un coaching en téléconsultation. Les outils technologiques dont ils étaient dotés étaient un tracker d’activité Wi-Fi et une balance transmettant des données à une application smartphone pour fournir un retour quotidien sur les progrès en matière de changement de mode de vie et de perte de poids. Le coaching consistait quant à lui en 12 appels hebdomadaires de soutien de 10 à 15 minutes délivrés par des promoteurs de la santé formés à l’exercice, ainsi que des messages de soutien via des notifications sur l’écran de l’appareil mobile ou des substituts de repas en poudre.

    La prise en charge était progressive car les personnes perdant moins de 230g par semaine bénéficiaient d’une intensification de traitement. Ils étaient alors re-randomisés à l’un des deux niveaux d’intensification du traitement : modeste (ajout d’un composant technologique peu coûteux – messagerie de soutien) ou vigoureux (ajout de la messagerie plus éventuellement coaching ou substitut de repas).

    Les résultats de l’étude SMART ont été publiés le 14 mai dans le Jama.

    Résultats : le coaching humain double la perte de poids

    • La perte de poids à 6 mois était de -2,8 kg pour le groupe « technologie » et de -4,8 kg pour les participants ayant eu en plus du coaching
    • La moitié des participants ont été classés comme non-répondeurs et re-randomisés pour une relance de traitement.
    • L’intensification du traitement dans un second temps n’a pas permis de combler la différence de perte de poids.
    • Il n’y avait aucune différence de changement de poids entre les interventions de relance modeste et vigoureuse.
    • Cependant, 27 % à 29 % de ceux ayant reçu initialement seulement un support technologique avaient atteint une perte de poids de 5 %.

    Ces résultats ont surpris les chercheurs. En effet, « nous avions prédit que commencer le traitement avec la technologie seule permettrait d’économiser de l’argent et de réduire la charge sans compromettre la perte de poids cliniquement bénéfique, car l’augmentation du traitement se produisait si rapidement une fois la perte de poids insuffisante détectée, a déclaré Bonnie Spring, directrice du Centre pour le comportement et la santé et professeure de médecine préventive à la Feinberg School of Medicine de l’Université Northwestern. Cependant, cette hypothèse a été réfutée. »

    Comment l’IA peut imiter l’humain :

    Par conséquent, il semble évident que « donner aux gens uniquement de la technologie pour la phase initiale du traitement de l’obésité produit une perte de poids inacceptablement inférieure par rapport à un traitement combinant technologie et coach humain », a-t-elle ajouté. Clairement, les outils technologiques ne permettent pas de remplacer la relation humaine. Cependant, les auteurs de l’étude estiment qu’« à terme, une technologie plus avancée pourrait être en mesure de remplacer les coachs humains. Nous ne sommes peut-être pas si loin d’avoir un chatbot d’IA capable de remplacer un humain, mais nous n’y sommes pas encore. C’est à portée de main. La technologie se développe très rapidement. »

    Cette étude met aussi en évidence les étapes qu’il reste à franchir. Il s’agit maintenant de déterminer ce que font les coachs humains, ce qui les rend efficaces, et comment l’IA peut mieux imiter un humain, non seulement en termes de contenu mais aussi de ton émotionnel et de conscience contextuelle.

     

     

    * An Adaptive Behavioral Intervention for Weight Loss Management: A Randomized Clinical Trial.

    Spring B, Pfammatter AF, Scanlan L, et al.

    JAMA. Published online May 14, 2024. doi:10.1001/jama.2024.0821

     

  • Etude : une IA prédit les besoins psychologiques des malades du cancer (Nature)

    Soigner la dépression pour mieux lutter contre le cancer

    Un malade du cancer sur trois souffre d’une dépression. Or, des problèmes de santé mentale ne sont pas sans conséquence sur la qualité de vie des patients et sur l’issue des traitements. Il a été déjà démontré que le traitement de la dépression peut améliorer la qualité des soins prodigués, en favorisant notamment la compliance aux traitements. Le fait de souffrir d’une dépression et d’anxiété est associée à des taux de survie réduits. Les services de cancérologie se sont évidemment organisés pour faire face. Nombre d’entre eux emploient des psychiatres ainsi que des conseillers spécialisés dans les soins psychosociaux. Cependant, malgré le développement de la psycho-oncologie, les besoins des patients ne sont pas tous satisfaits. En fait, des travaux antérieurs ont montré que les oncologues ne pouvaient identifier qu’environ un tiers des patients gravement perturbés et ne référaient pas efficacement les patients vers des ressources psychosociales. Focalisés sur la lutte contre le cancer, les troubles de santé mentale passent parfois inaperçus. Les patients, eux-mêmes, n’osant pas toujours en faire état.

    Une IA basée sur le traitement du langage naturel

    C’est pourquoi des chercheurs canadiens de l’université de Colombie-Britannique ont développé une intelligence artificielle basée sur le traitement du langage naturel. Leur but : repérer le plus tôt possible les patients ayant besoin de consulter, dans l’année, un psychiatre ou un conseiller psychosocial. Concrètement, l’équipe de chercheurs en informatique, en oncologie et en psychiatrie a utilisé les informations issues des rapports de 59 800 patients pris en charge entre le 1er avril 2011 et le 30 décembre 2016, rédigés lors de la première consultation avec l’oncologue. Malgré le fait que ces documents ne se concentrent pas spécifiquement sur la santé psychosociale, ils contiennent des informations importantes et notamment des mots liés aux troubles mentaux. Charge à l’IA d’interpréter ces données non structurées.

    Les résultats de leur étude ont été publiés en avril dans Nature Communications Medicine.

    Résultats : une IA précise à plus de 70 %

    • Dans la cohorte finale de 47 625 patients, 1,4 % des patients a consulté un psychiatre, tandis que 21,1 % a consulté un conseiller, dans les 12 mois suivant la génération du document initial de consultation en oncologie.
    • Les meilleurs modèles d’intelligence artificielle (IA) ont réussi à prédire la consultation d’un psychiatre avec 73,1 % de justesse.
    • La consultation d’un conseiller psychosocial a atteint une précision de 71 %.
    • Sans surprise, les mots « déprimé », « anxiété » étaient des marqueurs importants pour la consultation d’un psychiatre. Mais les facteurs socio-démographiques, et notamment le mot « retraité », étaient aussi importants.

     

    Ces résultats « valident le potentiel de l’IA pour prédire les résultats psychiatriques à partir de documents médicaux non psychiatriques », estiment les auteurs de l’étude. En effet, l’IA a déjà démontré sa capacité à prédire des événements futurs en psychiatrie, telles que la prédiction de la réponse à un antidépresseur chez les patients dépressifs, la prédiction de la tentative de suicide, ou encore celle du développement ultérieur d’un trouble bipolaire chez un enfant.

    Il semble plus difficile de repérer les chances de consulter un conseiller psychosocial. Cela s’explique par le fait que les patients consultent ces spécialistes pour différentes raisons, allant de l’aide psychologique aux problématiques de logement et de transport. « Il peut être difficile pour nos modèles de tenir compte de ces différentes raisons. En revanche, la consultation d’un psychiatre est plus liée aux informations médicales dans le texte. »

    Un besoin de soutien psychologique perceptible très tôt

    Les chercheurs espèrent améliorer la précision de l’IA en ajoutant d’autres types de données, comme les réponses à des questionnaires psychosociaux conçus pour les patients atteints de cancer, à leurs données d’entraînement. Mais l’accès facile au compte-rendu de consultation est un atout indéniable du dispositif. Et ces éléments prédicteurs d’un besoin de soutien psychoscocial seraient donc présents dès la première consultation chez l’oncologue. Donc très tôt dans le parcours de soins. C’est pourquoi les chercheurs envisagent de dupliquer leur outil pour prédire les besoins psychosociaux d’autres types de patients.

     

     

    * Predicting which patients with cancer will see a psychiatrist or counsellor from their initial oncology consultation document using natural language processing

    Nunez, JJ., Leung, B., Ho, C. et al.

    Commun Med 4, 69 (2024)

  • Etude : un besoin de transparence dans les échanges avec des chatbots (Jama)

    Quand les chatbots singent les humains

    Les agents conversationnels basés sur l’intelligence artificielle (IA), connus sous le nom de chatbots, sont aujourd’hui utilisés par les systèmes de santé. Et la tendance consiste à concevoir des chatbots avec des fonctionnalités qui facilitent les interactions semblables à celles des humains. Cela peut constituer un gain de temps pour le professionnel de santé, un meilleur contrôle du suivi patients et donc optimiser la relation entre le médecin et son patient. Cependant, peu d’études ont permis de déterminer comment ces caractéristiques anthropomorphiques étaient perçus par les malades. Et ces derniers ont-ils bien conscience d’échanger avec un assistant virtuel non supervisé, c’est-à-dire non surveillé par des humains ?

    La relation médecin-patient à l’heure de l’IA

    Des chercheurs américains du Anschutz Medical Campus de l’université du Colorado ont donc élaboré un sondage auprès des utilisateurs de chatbots ayant échangé au moins 3 messages avec l’agent conversationnel d’un grand système de santé entre juillet 2022 et septembre 2023. Etant donné que les données internes du dossier de santé électronique suggéraient que les utilisateurs seraient principalement blancs (76,8 %), les auteurs de l’étude ont mis au point une stratégie d’échantillonnage visant à comparer les perceptions des utilisateurs blancs non hispaniques à celles d’autres origines ethniques. Le fait d’être capable d’identifier correctement le chatbot comme une application logicielle non supervisée a été analysée en fonction de l’éducation, de la race et de l’origine ethnique, du sexe, du revenu et de l’âge.

    Les résultats de cette étude ont été publiés le 30 avril dans le Jama Network Open.

    Résultats : la conscience d’échanger avec un chatbot dépend de l’origine sociale

    •  Les utilisateurs de chatbots ayant répondu à l’enquête étaient âgés de 49,3 ans en moyenne, 68,6% étaient de sexe féminin, 62,4 % ont déclaré être de race et d’origine ethnique blanches non hispaniques et 37,4 % ont déclaré être d’autres races et origines ethniques.
    • 33,9 % ont classé incorrectement le chatbot.
    • Lorsqu’ils ont été informés du manque de supervision, 11,5 % ont estimé avoir été trompés.
    • Les utilisateurs ayant plus de 4 ans d’études supérieures avaient environ 6 fois plus de chances d’identifier correctement le chatbot comme non supervisé par rapport aux répondants ayant un niveau d’éducation secondaire ou moins.
    • Les utilisateurs blancs non hispaniques avaient 1,6 fois plus de chances (par rapport aux autres races et origines ethniques de repérer qu’il s’agissait d’un agent purement virtuel.

    Même si le caractère d’”assistant virtuel” du chatbot a été révélé au cours de l’étude, nous observons que des patients se sentent trompés. « Heureusement », il ne s’agit que d’une minorité, néanmoins, les chercheurs estiment qu’« une divulgation adéquate peut être particulièrement importante pour les groupes marginalisés par le système de santé, pour qui la confiance est déjà fragile, afin d’éviter de contribuer à la méfiance. »

    Etre plus transparent pour éviter la méfiance

    Les politiques fédérales récentes mettent d’ailleurs l’accent sur la transparence et le marquage des contenus générés par l’IA. Mais ce n’est sans doute pas suffisant. C’est pourquoi les auteurs ce travail plaident pour que des recherches supplémentaires soient menées. A leurs yeux, elles sont « nécessaires pour identifier les meilleures pratiques pour informer les utilisateurs et explorer comment la perception erronée des chatbots affecte la confiance des utilisateurs, l’utilisation et la satisfaction des chatbots et des systèmes de santé qui les utilisent. »

     

     

    * Patient Perceptions of Chatbot Supervision in Health Care Settings

    Ellis J, Hamer MK, Akerson M, et al.

    JAMA Netw Open. 2024;7(4):e248833. doi:10.1001/jamanetworkopen.2024.8833

     

  • Etude : un système d’IA améliore le diagnostic des maladies rares (NEJM AI)

    Des “besoins urgents” d’améliorer le diagnostic des maladies rares

    “Le taux de diagnostic des troubles génétiques rares n’est que d’environ 30 %, et en moyenne, il s’écoule six ans entre le début des symptômes et le diagnostic. » L’état des lieux, établi par Dr Pengfei Liu, professeur agrégé de génétique moléculaire et humaine et directeur clinique associé chez Baylor Genetics, est sans appel. « Il y a un besoin urgent de nouvelles approches pour améliorer la vitesse et la précision du diagnostic », ajoute-t-il. C’est à cette tâche que le Dr Liu s’est attelé. Une équipe de chercheurs du Baylor College of Medicine (Texas) a donc développé un nouveau système d’IA appelé AI-MARRVEL (AIM) qui a pour mission de diagnostiquer des maladies génétiques rares, et ce indépendamment des connaissances cliniques sur le gène d’intérêt.

    Une IA nourrie avec 3,5 millions de variants :

    Concrètement, ils ont utilisé la base de données publique du Baylor College, Model organism Aggregated Resources for Rare Variant ExpLoration (MARRVEL) pour former AIM. Plus de 3,5 millions de variants de milliers de cas diagnostiqués sont inclus dans cette base de données. Les chercheurs fournissent à AIM les données de séquence d’exome des patients et les symptômes, et AIM se charge ensuite d’établir un classement des candidats géniques les plus susceptibles de causer la maladie rare. Les résultats ainsi obtenus ont par ailleurs été comparés à ceux d’autres algorithmes utilisés dans des articles de référence récents et les modèles ont été testés sur trois cohortes de données, dont celle du Baylor Genetics.

    Les résultats de l’étude ont été publiés le 25 avril dans le NEJM AI.

    Résultats : 2 fois plus de diagnostics

    • AIM a atteint un taux de précision de 98 %.
    • Elle a systématiquement classé les gènes diagnostiqués comme le premier candidat dans deux fois plus de cas que toutes les autres méthodes de référence.
    • Dans le cas de maladies rares restés insolubles pendant des années, la réanalyse de l’exome par AIM a permis de diagnostiquer 57 % des cas sur une collection de 871 cas.

     

    “AIM est un grand pas en avant dans l’utilisation de l’IA pour diagnostiquer les maladies rares. Il réduit les diagnostics génétiques différentiels à quelques gènes et a le potentiel de guider la découverte de troubles inconnus jusqu’alors”, a déclaré le co-auteur, le Dr Hugo Bellen, professeur de service distingué en génétique moléculaire et humaine à Baylor et titulaire de la chaire en neurogénétique au Duncan NRI. “Nous avons formé AIM pour imiter la façon dont les humains prennent des décisions, et la machine peut le faire beaucoup plus rapidement, plus efficacement et à moindre coût », ajouté le Dr Zhandong Liu, professeur associé de pédiatrie – neurologie à Baylor et chercheur à l’Institut de recherche neurologique Jan et Dan Duncan (NRI) à l’hôpital pour enfants du Texas.

    2 nouveaux gènes porteurs de maladies découverts :

    Les performances en matière de réanalyse ont également été soulignées. En effet, des centaines de nouveaux variants causant des maladies, pouvant être la clé de la résolution de ces affaires non résolues, sont signalés chaque année. Cependant, déterminer quels cas justifient une réanalyse est difficile en raison du grand nombre de cas. L’IA s’avère prometteuse en la matière car selon les chercheurs, cet outil serait capable de “récupérer un nombre sans précédent de cas qui n’étaient pas considérés comme diagnostiquables auparavant.”

    En outre, les auteurs de l’étude ont voulu tester les performances de leur modèle d’IA sur la découverte de nouveaux candidats géniques qui n’ont pas encore été reliés à une maladie. AIM a correctement prédit deux nouveaux gènes de maladies rapportés comme meilleurs candidats dans deux cas dans le réseau de maladies non diagnostiquées. Maintenant, Baylor Genetics va développer la prochaine génération d’intelligence diagnostique pour l’introduire dans la pratique clinique.

     

     

    * AI-MARRVEL — A Knowledge-Driven AI System for Diagnosing Mendelian Disorders

    Dongxue Mao,Chaozhong Liu, Linhua Wang, Rami AI-Ouran, Cole Deisseroth, Sasidhar Pasupuleti,  Seon Young Kim, and Zhandong Liu
    Published April 25, 2024
    NEJM AI 2024;1(5)
    DOI: 10.1056/AIoa2300009

  • Etude/France : pour améliorer l’observance, les applis de rappel sont de qualité modérée (JMIR)

    Doper l’observance médicamenteuse

    La moitié des malades chroniques prennent correctement leurs médicaments. Le fort taux d’inobservance augmente le risque de complications, d’hospitalisation et de mortalité pour ces patients, ainsi que des coûts de santé plus élevés. L’une des solutions consiste à doter les malades d’applications mobiles avec des systèmes de rappel. Les médecins français y sont plutôt favorables mais souhaitent recommander des applications scientifiquement validées. Or, si plusieurs études ont confirmé que l’utilisation d’une telle application améliore l’observance thérapeutique, notamment en envoyant des rappels, même chez les patients âgés, aucune n’a évalué la qualité des applications de gestion des médicaments via un score validé. C’est pourquoi une équipe de l’Université de Montpellier a effectué une recherche systématique, du 1er octobre au 30 novembre 2022, des applications smartphone de gestion des médicaments disponibles en France, sur l’App Store et le Google Play Store. Ils en ont sélectionné 49 sur un total de 960 dans un but d’évaluation sur les critères suivants :

    • application avec rappel de médicament ;
    • disponible en français ;
    • gratuite ;
    • mise à jour dans les 2 dernières années.

     

    Une échelle d’évaluation des applis validée scientifiquement :

    Concrètement, deux professionnels de santé ont évalué indépendamment les applications à l’aide de la version française de l’échelle de notation des applications mobiles (MARS-F), un système de notation objectif validé pour évaluer la qualité globale des applications dans le domaine de la santé. MARS-F est un questionnaire de 19 items divisé en 4 sections d’évaluation objective (engagement, fonctionnalité, esthétique, information) qui aboutit à un score sur 5 correspondant à la moyenne de ces 4 sections.

    Les résultats de cette étude française ont été publiés le 18 mars dans le Journal of Medical Internet Research (JMIR).

    Résultats : plus de 8 applis sur 10 obtiennent une note de 3/5

    • Le score moyen de MARS-F était de 3,56 pour les applications iOS et de 3,51 pour les applications Android. 5 étant la meilleure note.
    • Au total, 84 % des applications disponibles sur l’App Store et 79% sur Google Play Store avaient un score MARS-F supérieur à 3
    • 20 % et 21% avait avec un score supérieur à 4.
    • La corrélation entre l’évaluation faite par MARS-F et celle des utilisateurs sur les plateformes était faible à modérée.
    • seules 40 % des applications identifiées sur iOS disposaient d’un accès protégé par mot de passe et 4 % nécessitaient un identifiant de connexion. Sur Android, les scores étaient de 12,5% et 8,3%.

     

    La qualité globale des applications de rappel de médicaments est donc considérée comme acceptable à modérée. En outre, si la plupart des applis sont considérées comme fonctionnelles, elles pêchent en matière d’ « engagement ». Ce critère faisant surtout référence à la personnalisation de l’appli, son caractère interactif et son adaptation au groupe cible. Autre point faible : le manque d’implication des professionnels de la santé, des universités ou des organisations gouvernementales. En effet, la plupart des applications étaient affiliées à une entreprise commerciale. Sans surprise, les preuves scientifiques de l’efficacité étaient rares, même très rares : 2 applications seulement avaient été testées dans le cadre d’un essai contrôlé randomisé. Elles étaient d’ailleurs classées parmi les meilleures selon MARS-F.

    Les auteurs de cette étude reconnaissent que l’évaluation ne reposait que sur une utilisation d’environ 15 minutes, si bien que « les forces ou faiblesses supplémentaires de chaque application n’ont peut-être pas été détectées en raison de cette durée limitée. » La sélection des applications par un seul évaluateur ressortait aussi comme une limitation, « car il est possible que certaines applications admissibles n’aient pas été identifiées. »

    Une certification serait “vitale” :

    Pour conclure, les chercheurs estiment que leur étude donne des pistes d’amélioration pour la création de nouvelles applis. Surtout à l’heure où un projet vise à répertorier plus de 50 applications offrant des échanges avec Mon Espace Santé d’ici 2026. « Il est donc vital de mettre en place une certification pour les applications existantes afin d’aider les médecins dans leurs recommandations, soulignent les auteurs de l’étude. La création d’une application avec l’aide des professionnels de la santé et validée par l’Agence du Numérique en Santé serait également une solution qui permettrait aux médecins de savoir quelles applications recommander, facilitant ainsi son utilisation par les patients. »

     

     

    * Quality Assessment of Smartphone Medication Management Apps in France: Systematic Search

    Toïgo M, Marc J, Hayot M, Moulis L, Carbonnel F

    JMIR Mhealth Uhealth 2024;12:e54866

    doi: 10.2196/54866