La prévention, un champ laissé au numérique

En un petit quart d’heure – le temps moyen d’une consultation-, les médecins n’ont souvent pas le temps de donner des conseils de prévention. Des récentes études, certes américaines, ont montré que seuls 8% des patients âgés de 35 ans et plus ont reçu tous les services préventifs prioritaires recommandés par le Groupe de travail sur les services préventifs des États-Unis (USPSTF) ou le Comité consultatif sur les pratiques d’immunisation des Centres pour le contrôle et la prévention des maladies (CDC). Faute de quoi, les malades se tournent évidemment vers les ressources les plus accessibles, c’est-à-dire internet mais aussi des robots conversationnels tels que ChatGPT.

Le poids des robots conversationnels :

Etant donné l’attrait suscité par ce modèle d’IA, des chercheurs américains de la Cleveland Clinic Foundation ont mené une visant à évaluer la capacité de ChatGPT version GPT-4 et de Bard de Google à fournir des recommandations précises liées à la médecine préventive et aux soins primaires. Ils ont donc élaboré 56 questions portant sur les directives de dépistage, les stratégies préventives et la gestion des maladies courantes. Les réponses de ChatGPT et de Bard ont ensuite été examinées indépendamment par deux médecins qui les ont classées comme “précise” si elle incluait des recommandations complètes et basées sur les directives, “inexacte” si elle incluait des informations inappropriées et/ou fausses, ou “précise avec des informations manquantes” si elle incluait des éléments précis mais manquait de détails essentiels que le patient jugerait utiles. En cas de désaccord entre les 2 médecins, un troisième jouait le rôle d’arbitre.

Les résultats de cette étude ont été publiés dans l’American Journal of Preventive Medicine.

Résultats : l’IA répond correctement à moins de la moitié des questions

• 28,6 % des réponses générées par ChatGPT-4 ont été jugées précises, 28,6 % inexactes et 42,8 % précises avec des informations manquantes.
• 53,6 % des réponses générées par Bard ont été jugées précises, 17,8 % inexactes et 28,6 % précises avec des informations manquantes.
• Les réponses aux questions sur la vaccination ont affiché des taux d’inexactitude de l’ordre de 80%.

Globalement, les deux modèles d’IA ont donc répondu précisément à 30 à 50 % des questions. Et « des inexactitudes considérables ont été observées pour les questions liées à la vaccination », soulignent les auteurs de l’étude. ” Cela peut être surprenant, étant donné la technologie avancée derrière ces modèles, a déclaré Andrei Brateanu, le dernier auteur. Tous les LLM, y compris ChatGPT-4 et Bard, fonctionnent à l’aide d’algorithmes mathématiques complexes. Le fait que les deux modèles aient produit des réponses avec des inexactitudes ou des informations cruciales omises met en évidence le défi continu de développer des outils d’IA capables de fournir des conseils médicaux fiables. ”

Cependant, ChatGPT s’est montré nettement moins précis dans ces réponses que le modèle de Google. Cela est sans doute dû au fait que Bard met à jour continuellement ses informations, contrairement à ChatGPT.

L’indispensable relation humaine :

Par ailleurs, les chercheurs estiment que “les modèles ont fréquemment fourni des informations correctes sans les détails que les médecins partageraient généralement avec les patients”. Les outils d’IA ne doivent, par conséquent, pas être considérés comme des remplacements des médecins, mais plutôt comme des ressources complémentaires. “Alors que nous incorporons la technologie IA dans les soins de santé, il est crucial de veiller à ce que l’essence des soins de santé reste fondamentalement humaine”, a conclu Andrei Brateanu.

*Accuracy of Online Artificial Intelligence Models in Primary Care Settings

Hoseph Kassab, Abdel Hadi El Hajjar, Richard M. Wardrop III, Andrei Brateanu

American Journal of Preventive Medicine

February 12, 2024. DOI:https://doi.org/10.1016/j.amepre.2024.02.006

Un réseau neuronal profond pour stratifier le risque d’arythmie

La fibrillation ventriculaire est la forme d’arythmie la plus grave. Le cœur bat si rapidement que la pression sanguine chute, ce qui peut rapidement entraîner une perte de conscience et la mort subite si elle n’est pas traitée immédiatement. Or, dans 90 % des cas, les défibrillateurs externes ne sont pas utilisés et les directives actuelles sur les défibrillateurs implantables ne sont pas suffisamment précises. Seuls 20 % des arythmies ventriculaires (AV) relèvent de ce dispositif. Le taux de mortalité de cette forme d’arythmie est par conséquent élevé.

Des chercheurs de l’université de Leicester ont donc développé un réseau neuronal profond pour stratifier le risque d’AV en utilisant des électrocardiogrammes ambulatoires de routine. Le but étant de prédire la capacité d’AV à partir du rythme cardiaque normal d’un patient. Ils ont inclus 270 adultes, dont 159 ont présenté des arythmies létales dans leur étude multicentrique. Dans le cadre de leur suivi, ces patients avaient des ECG ambulatoires. Les résultats de ces examens pratiqués entre 2014 et 2022 ont été comparés rétrospectivement à tous les électrocardiogrammes ambulatoires sans AV grâce à leur outil d’intelligence artificielle (IA) nommé VA-ResNet-50. « Nous avons recueilli le plus grand ensemble de données Holter ECG associées », précisent les auteurs de ces travaux dont les résultats ont été publiés dans le European Heart Journal.

Résultats : prédiction correcte dans 4 cas sur 5

• Le modèle d’IA a classé correctement 76 % des cas d’AV, avec un intervalle de confiance de 95 %.
• Le score F1, qui est une moyenne pondérée de précision, était de 0,79 (1 est le score parfait et 0 le pire).
• L’aire sous la courbe de ROC était de 0,8 (1 est le score parfait et 0,5 représente un modèle aléatoire).
• Le risque d’obtenir un résultat positif pour l’AV était environ 2,87 fois plus élevé chez les individus évalués par le modèle par rapport à ceux non évalués.

Ces résultats indiquent que le modèle d’IA parvient à prédire correctement le risque d’AV à partir d’un ECG normal. “Nous avons constaté que l’outil d’IA prédisait correctement quel cœur de patient était capable d’AV dans 4 cas sur 5, précisent les auteurs de l’étude. Si l’outil indiquait qu’une personne était à risque, le risque d’événement léthal était trois fois plus élevé que chez les adultes normaux. » Le recours à l’IA pourrait donc permettre, à terme, de mieux allouer les défibrillateurs implantables et donc ainsi sauver des vies.

Les ECG ambulatoires enregistrés pendant les activités quotidiennes normales d’un patient contiennent donc bien des signaux pour stratifier le risque d’AV et il est possible de les analyser à l’aide d’un notre réseau neuronal profond ; en l’occurrence le VA-ResNet-50 qui est en code source ouvert. « Une validation prospective au sein d’autres cohortes » est cependant prévue.

*Artificial intelligence for ventricular arrhythmia capability using ambulatory electrocardiograms

Joseph Barker, Xin Li, Ahmed Kotb, Akash Mavilakandy, Ibrahim Antoun, Chokanan Thaitirarot, Ivelin Koev, Sharon Man, Fernando S Schlindwein, Harshil Dhutia, Shui Hao Chin, Ivan Tyukin, William B Nicolson, G Andre Ng,

European Heart Journal – Digital Health, 2024;, ztae004, https://doi.org/10.1093/ehjdh/ztae004

Antiobiorésistance : une menace planétaire

Chaque année, près de 5 millions de personnes dans le monde meurent à cause de la résistance aux antibiotiques. Soit plus que le Sida ou le paludisme. Et les prévisions sont noires. En France, on estime qu’en 2050, 238 000 décès seront imputables à l’antibiorésistance. Trouver de nouveaux antibiotiques est donc une urgence de santé publique mondiale. Des chercheurs du monde entier y travaillent mais même avec le criblage à haut débit, aucun nouvel antibiotique ne se profile à l’horizon. Même les méthodes d’IA modernes sont limitées dans l’isolement de composés chimiques prometteurs, notamment lorsque les chercheurs doivent également trouver des moyens de fabriquer ces nouveaux médicaments guidés par l’IA et de les tester en laboratoire.

Des chercheurs canadiens américains de l’Université McMaster et de l’Université Stanford ont ouvert une nouvelle voie. Ils ont développé un nouveau modèle d’IA générative, appelé SyntheMol capable de concevoir des milliards de nouvelles molécules antibiotiques.

Une IA qui fait gagner 20 ans de recherche

Concrètement, ils sont allés puiser dans une bibliothèque de 132 000 fragments moléculaires qu’ils ont ensuite croisés avec un ensemble de 13 réacteurs chimiques. Un modèle de prédiction de propriétés moléculaires est ensuite utilisé pour évaluer la molécule. Ainsi, ils ont pu identifier 30 milliards de combinaisons pour concevoir de nouvelles molécules présentant les propriétés antibactériennes les plus prometteuses. Dans un troisième temps, les molécules conçues ont été soumises à un modèle d’IA formé pour prédire la toxicité. Avec SyntheMol, les chercheurs estiment qu’ils peuvent effectuer des prédictions sur 100 millions de produits chimiques en environ une semaine. En laboratoire, le criblage d’autant de produits chimiques prendrait plus de 20 ans.

Les résultats de leurs travaux ont été publiés le 22 mars dans la revue Nature Machine Intelligence.

Résultats : 6 molécules inhibent l’une des bactéries les plus dangereuses

Les auteurs de l’étude ont ciblé une bactérie ultra-résistante : Acinetobacter baumannii. Très virulente, elle est responsable d’une mortalité allant de 16 à 76% selon l’infection occasionnée. Selon l’Organisation mondiale de la santé, c’est l’une des bactéries résistantes aux antibiotiques les plus dangereuses du monde. Ils ont donc testé 7500 produits chimiques sur cette bactérie en quelques semaines. Pas moins de 58 molécules ont été générées et validées expérimentalement. Six d’entre elles ont démontré une activité antibactérienne contre A. baumannii et plusieurs autres pathogènes bactériens.

Evidemment, il reste encore de nombreuses étapes à franchir. La capacité d’inhiber une bactérie dans une boite de Petri n’est pas suffisante. Cependant, une étape a été franchie selon James Zou, professeur associé de science des données biomédicales à l’Université Stanford et co-auteur de l’étude. « SyntheMol ne conçoit pas seulement de nouvelles molécules prometteuses comme candidats médicamenteux, mais il génère également la recette pour fabriquer chaque nouvelle molécule. Générer de telles recettes est une nouvelle approche qui change la donne car les chimistes ne savent pas comment fabriquer des molécules conçues par IA. »

* Generative AI for designing and validating easily synthesizable and structurally novel antibiotics

Swanson, K., Liu, G., Catacutan, D.B. et al.

Nat Mach Intell 6, 338–353 (2024). https://doi.org/10.1038/s42256-024-00809-7