Des avancées considérables à exploiter

L’avancée de l’intelligence artificielle (IA) révolutionne le secteur de la santé. Parmi les développements majeurs qui sont en cours, les applications des modèles d’IA générative (IAG), notamment les modèles de transformation (transformer models) et les modèles de diffusion (diffusion models) :

➡️ les modèles de diffusion se concentrent sur la génération de données itérative en propageant une distribution de probabilité :

Il s’agit d’une  autre classe de modèles génératifs utilisés dans le domaine de l’apprentissage automatique. Ils sont souvent utilisés pour la génération et la manipulation d’images et d’autres types de données séquentielles.

➡️ tandis que les modèles de transformation sont des architectures de réseau de neurones utilisées pour traiter des données séquentielles, en particulier dans les domaines du traitement du langage naturel et de la vision par ordinateur :

Il s’agit d’une classe de modèles utilisés dans l’apprentissage automatique (machine learning), plus précisément dans le domaine du traitement du langage naturel (NLP) et de la vision par ordinateur. Il sont particulièrement efficaces pour les tâches de compréhension, de génération et de traduction automatique du langage naturel, mais sont également utilisés dans d’autres domaines tels que la vision par ordinateur.

En médecine, ces modèles de transformation ont joué un rôle crucial dans l’analyse de diverses formes de données, notamment :

• l’imagerie médicale (de la reconstruction d’images et leur traduction d’images en images à leur génération et leur classification) ;
• l’interprétation en radiologie ;
• l’aide au diagnostic ;
• l’aide à la décision clinique ;
• la prédiction de la structure des protéines ;
• la représentation et la conception de molécules ;
• la documentation clinique ;
• ainsi que le codage médical et la facturation.

 

Dans cet article, Health & Tech Intelligence met l’accent sur les applications de la GenAI dans le domaine de la santé, mais aussi sur les limites et biais de l’utilisation de la GenAI en santé, en réalisant une revue macroscopique de la littérature scientifique de ces dernières années, avec un focus sur les cas d’usage dans 4 segments du secteur :

• recherche clinique et découverte des médicaments ;
• organisation de l’offre de soins ;
• payeurs / assureurs ;
• pratique médicale (volets administratif et clinique).

 

Parmi ces cas d’usage, les plus utilisés concernent la prédiction des structures et la conception de molécules, l’imagerie ainsi que l’automatisation de tâches chronophages comme la synthèse ou rédaction de documents médicaux. D’autres cas d’usage de la GenAI mentionnés dans des publications scientifiques sont présentés comme des applications potentielles de cette technologie dans le secteur de la santé, sans qu’il y ait encore de preuves suffisantes de son efficacité.

Historique des travaux sur la GenAI en santé

Les modèles génératifs sont apparu dans les années 1950 et ont connu d’importantes évolutions au cours des 10 dernières années, avec le développement l’apprentissage profond et de nouvelles méthodes telles que les réseaux neuronaux. Aujourd’hui, et depuis la naissance du modèle “transformeur génératif pré-entraîné” (GPT) d’OpenAI, la GenAI démontre de plus en plus son efficacité , notamment  dans la production logique de contenu.

Dans le domaine de la santé, la GenAI attirent tous les regards et notamment ceux de l’industrie. Elle est, en effet, très utilisée pour prédire la structure des protéines (Meyers et al. 2021 et Madani et al. 2023).

D’importants progrès de la GenAI en santé, ces dernières années

Il existe plusieurs revues de la littérature concernant les usages de la GenAI en santé (Bohr et Memarzadeh 2020, AlAmir et AlGhamdi 2022, Kazerouni et al. 2023), dont la plupart s’intéressent à une application spécifique de ces technologies, notamment en imagerie. Cela signifie qu’un énorme potentiel est encore à explorer. Mais, de manière générale, les publications scientifiques ont commencé dès 2020, sur différentes bibliothèques en ligne autour de la GenAI en santé. Mais ce n’est qu’en 2022 que leur nombre devient significatif, dépassant les 600 publication par an. Il est à noter que les modèles de transformation ont logiquement la part du lion de ces publications.

 

Une recherche spécifique et très resserrée sur la plateforme américaine Pubmed, concernant les articles traitant du sujet de la GenAI en santé, montre que les premières publications apparaissent déjà en 2022 et évolue exponentiellement en 2023. Durant cette année, Pubmed enregistre au moins 176 publications. Au premier trimestre 2024 seulement, la plateforme présente au moins 140 publications.

 

Découverte des médicaments

Découverte et développement de médicaments :

L’IA générative offre une solution prometteuse pour la conception de structures moléculaires de novo. Elle peut générer de nouveaux composés, optimiser les candidats médicamenteux et prédire les propriétés des médicaments. Elle permet ainsi de concevoir des modèles moléculaires 1D, 2D et même 3D (Li et al., 2021). Les modèles d’IA générative sont ainsi utilisés pour générer de nouvelles petites molécules, des séquences d’acides nucléiques et des protéines avec une structure ou une fonction désirée (Vert, 2023). En analysant la structure chimique des médicaments réussis et en simulant des variations, ils peuvent produire des candidats médicaments potentiels à un rythme beaucoup plus rapide que les méthodes traditionnelles.

La prédiction de la fonction des protéines figure parmi les défis du développement de médicaments. Prot2Text est une approche novatrice qui le fait sous forme de texte libre, en générant des descriptions détaillées et précises (Abdine et al., 2023).

Plus récemment, des chercheurs de l’Université McMaster et de l’Université Stanford ont développé un modèle d’IA générative capable de concevoir des milliards de nouvelles molécules antibiotiques peu coûteuses et faciles à construire en laboratoire (plus de détails dans cet article H&TI). Synthemol est parvenu à inhiber une super-bactérie en laboratoire (Swanson, K., Liu, G., Catacutan, D.B. et al., 2024).

Optimisation des essais cliniques :

L’IA générative aide à faire progresser la conception et la validation des protocoles pour les essais cliniques (Mueller et al., 2023). Elle le fait en simulant des essais virtuels avec différents designs, des stratégies de randomisation ou en établissant des critères d’inclusion. Une nouvelle approche pour les essais cliniques propose de générer des données de patients virtuels tout en garantissant théoriquement la confidentialité des données (Gootjes-Dreesbach et al. 2020). L’IA générative peut donc aider à identifier les problèmes éventuels lors des essais cliniques, ce qui peut finalement réduire le temps et le coût du développement de médicaments (Callaway, 2023).

Prédiction des effets indésirables :

Les méthodes génératives ont le potentiel de produire de nouveaux composés avec des profils d’effets indésirables attendus. Elles peuvent également favoriser une compréhension plus approfondie de la sécurité des médicaments. Par exemple, le journal BMC Bioinformatics a publié une technique de “empreinte neurale” dans un cadre “d’apprentissage profond concurrentiel” pour la prédiction des effets indésirables de telle sorte que les informations d’étiquetage (relation médicament-effets indésirables) peuvent être utilisées “dans l’étape de conception du processus d’apprentissage automatique” (Dey et al., 2018).

Augmentation/génération de données synthétiques :

L’IA générative joue un rôle crucial dans le développement de données de patients synthétiques (réalistes et anonymisées) en créant des points de données artificiels qui capturent les caractéristiques statistiques et les attributs de l’ensemble de données réelles d’origine (Suthar et al., 2022). Des techniques comme les GAN (generative adversarial networks) et les VAE (variational autoencoders) ont évolué pour générer des données tabulaires synthétiques aidant notamment dans la recherche médicale (Jadon & Kumar, 2023). De plus, les GAN peuvent synthétiser les données des dossiers patient informatisés (DPI) ce qui peut être une solution au problème de la confidentialité des données. Enfin, la capacité de générer des données synthétiques avec différentes caractéristiques peut aider chercheurs et cliniciens à explorer diverses hypothèses, ouvrant de nouvelles perspectives (Limeros et al., 2022).

Identification des biomarqueurs :

Les biomarqueurs ont un impact significatif sur le diagnostic, le pronostic, le choix du traitement et la surveillance des maladies. L’IA générative accélère leur découverte en créant des biomarqueurs hypothétiques et en les validant ensuite dans des environnements expérimentaux (Nair et al., 2023). Bien que son rôle dans l’identification des biomarqueurs ne soit qu’à ses débuts, l’IA promet des avancées révolutionnaires dans la compréhension du rôle des biomarqueurs et le développement d’une médecine personnalisée.

Organisation et opérations

Excellence opérationnelle :

Les opérations et la gestion des ressources en santé impliquent différents paramètres (allocation des ressources, prédiction de la demande, optimisation des flux de travail, etc.). Les organisations de santé peuvent exploiter la puissance de l’IA générative pour prendre des décisions basées sur les données et optimiser leurs opérations. L’IA générative peut automatiser les processus routiniers de prise de décision (approuver, refuser voire même recommander) en fonction de critères ou de conditions prédéfinis, allégeant ainsi la charge administrative et raccourcissant les délais (Barat et al., 2023).

Le modèle Dall-e d’OpenAI peut potentiellement être utilisé pour générer des représentations visuelles des aménagements d’un établissement de santé et des plans d’étage des installations de soins, afin d’aider à identifier les axes d’amélioration, à rationaliser les flux de travail et à optimiser l’espace et les équipements. De son côté, ChatGPT, peut planifier des rendez-vous de patients et fournir des mises à jour en temps réel sur les délais d’attente.

Triage médical :

En médecine, le triage est défini comme la priorisation des soins aux patients (ou aux victimes de catastrophes) en fonction de leur état, de leur gravité, de leur pronostic et de la disponibilité des ressources. Le triage est utilisé pour identifier les patients nécessitant une réanimation rapide, les affecter à une zone de soins désignée pour prioriser leurs soins et commencer les procédures diagnostiques et thérapeutiques nécessaires.

En offrant une assistance utile et en améliorant la prise de décision, l’IA générative a le potentiel d’avoir un impact significatif sur le domaine du triage médical (Huang et al., 2023). Elle vise à accélérer la prise de décision en analysant rapidement et avec précision un large éventail d’informations sur les patients (Levine et al., 2023). Le triage médical peut ainsi être optimisé en combinant la force de l’IA générative avec le jugement humain, améliorant la qualité et l’efficience des soins dans des scénarios difficiles.

Payeurs / assureurs

Pré-autorisation des assurances :

Dans certains pays, la pré-autorisation est un mécanisme utilisé par les payeurs de soins (comme les assurance) pour décider s’ils doivent rembourser un service médical ou pas. Bien que des études soient encore nécessaires pour étayer cette opportunité, l’IA générative pourrait potentiellement améliorer cette procédure en l’automatisant : l’examen des demandes nécessite un temps clinique significatif de la part des payeurs. Selon un rapport publié Mckinsey en 2022, les professionnels de santé passent jusqu’à 13 heures par semaine sur cette tâche.

L’IA générative peut, en outre, aider à organiser les données des dossiers médicaux électroniques, des e-mails, des politiques publiques, des procédures médicales, etc., pour ainsi améliorer l’expérience des prestataires de soins et des patients. Les compagnies d’assurance pourraient déléguer la prise de décision délicate à des médecins hautement qualifiés et automatiser le reste.

Usages médicaux de l’IAG

Les succès de ChatGPT :

• Une évaluation des réponses de ChatGPT aux questions de l’examen médical des États-Unis (USMLE) a obtenu une réussite avec une précision de 60 % (Kung et al., 2023).
• Une autre évaluation a été réalisée sur ChatGPT 4 qui a passé l’examen du Programme d’évaluation des connaissances en ophtalmologie (OKAP) de l’American Academy of Ophthalmology (Teebagy et al., 2023). Les résultats ont indiqué que ChatGPT 4 pouvait réussir l’examen et surpasser son prédécesseur, ChatGPT 3.5.
• ChatGPT a également réussi un examen de radiologie (Bhayana et al., 2023). Il a obtenu un score global de 69 % en répondant correctement à 104 questions sur 150.

Imagerie médicale :

L’IA générative (GAI) s’est imposée comme une solution prometteuse pour relever les défis de l’imagerie médicale.

1) Augmentation des données :

La GenAI peut générer des images synthétiques qui ressemblent aux données des patients, augmentant la robustesse des modèles. Ceci est d’autant plus pertinent dans le cas de maladies rares ou de données manquantes.

2) Amélioration et reconstruction des images :

Lorsqu’une image subit une distorsion, l’IA générative peut la réparer. Le modèle de diffusion, DiffMIC, conçu pour la classification des images médicales, élimine les bruits et les perturbations (Yang et al., 2023). Les modèles de GenAI peuvent également produire des images de haute résolution à partir de données de basse résolution en appliquant une approche de “super-résolution”. Les images “super-résolues” sont utilisées pour un diagnostic précis des maladies et une étude détaillée des structures anatomiques (Bing et al.).

3) Traduction d’images entre modalités différentes :

Chaque modalité utilise différentes propriétés physiques et techniques d’imagerie pour générer des images (rayons X, échographie, IRM, tomodensitométrie…) et chacune présente des avantages et des inconvénients. La traduction d’images entre modalités convertit des images médicales d’une modalité à une autre tout en préservant ses caractéristiques pertinentes. Cela permet la fusion des avantages spécifiques à chaque modalité et des informations complémentaires. La traduction entre modalités d’images basée sur l’IA générative ouvre de nouvelles perspectives de recherche et d’innovation.

4) Interprétabilité et explicabilité :

Les modèles de GenAI aident à atteindre l’interprétabilité et l’explicabilité en imagerie médicale (Susnjak, 2023). L’interprétabilité se réfère à la capacité de comprendre et d’expliquer le processus de prise de décision du modèle d’IA. En imagerie médicale, elle est cruciale car les prestataires de soins et les patients doivent avoir confiance et comprendre les résultats générés. Pour y parvenir, la visualisation est la solution majeure. L’explicabilité indique à l’utilisateur pourquoi une décision spécifique a été prise en fournissant une explication claire et cohérente. Cela rend le processus de prise de décision plus transparent.

Documentation clinique :

Des modèles LLM tels que GPT-4 et PALM-2 peuvent être utilisés pour générer des résumés des données des patients (Patel & Lam, 2023). L’IA générative peut également automatiser le processus des demandes d’assurance. L’automatisation de tels processus peut soulager la charge administrative des professionnels de santé.

Pour améliorer l’efficacité des tâches de NLP, un algorithme peut analyser la mise en page des documents cliniques et en extraire uniquement le texte pertinent à la clinique (Gérardin et al., 2023). Des modèles d’IA générative pré-entraînés sur un grand corpus de texte clinique améliorent plusieurs tâches de NLP clinique en aval, telles que la réponse aux questions et la classification de documents (Lentzen et al., 2022 ; Y. Li et al., 2022 ; Moon et al., 2022).

En somme, plusieurs études mettent en évidence l’utilité des modèles de transformation et d’autres techniques avancées dans diverses tâches de PNL clinique, telles que la classification de documents, la reconnaissance d’entités nommées et l’extraction d’informations à partir de textes cliniques dans plusieurs langues (Oh et al., 2022 ; Searle et al., 2023 ; Sivarajkumar & Wang, 2022 ; Solarte-Pabón et al., 2023 ; Wei et al., 2022 ; Yogarajan et al., 2021) . Cependant, l’efficacité de ces modèles varie en fonction de la tâche, de la langue et des caractéristiques spécifiques des données, ce qui suggère la nécessité d’une approche adaptée à chaque application.

Agents conversationnels (chatbots) médicaux :

L’une des applications importantes de l’IA Générative a été le développement de chatbots médicaux. Les chatbots sont des programmes informatiques polyvalents conçus pour simuler une conversation humaine et fournir des réponses automatisées. Ils peuvent servir d’assistants virtuels pour le soutien et l’engagement des patients, ou de moyen d’éducation thérapeutique (ETP). Ils peuvent répondre aux questions courantes, offrir des conseils et fournir des rappels de médication, à l’image de ChatGPT. Ce dernier peut avoir différentes applications en médecine, de l’aide aux patients en tant qu’assistant virtuel et la tenue de leurs dossiers (Dave et al., 2023). Il peut offrir des conseils préliminaires en posant des questions pertinentes et évaluer, sur la base des informations fournies par le patient, l’urgence et la gravité du symptôme pour fournir des informations générales sur l’étiologie ou la symptomatologie de la maladie, ainsi que sur les mesures d’autosoin et quand consulter un médecin. Il contribue, de ce fait, au triage et l’évaluation des symptômes.

Un chatbot médical basé sur ChatGPT, appelé Dr GAI (DiagnaMed Holdings Corp.) aide les gens dans un conseil général en santé. Un autre, variante de ChatGPT appelée InstructGPT, peut fournir des instructions précises aux patients, sur l’administration de médicaments, y compris l’ouverture des emballages, le dosage et l’utilisation de dispositifs médicaux spécifiques tels que les seringues ou les compte-gouttes.

Personnalisation des traitements :

La GenAI est rapidement passée d’une modélisation prédictive initiale des traitement à une intégration de conditions spécifiques pour des plans de traitement sur mesure. En modifiant les valeurs de différentes conditions, le modèle génère différents plans de traitement adaptés à chaque patient (Buche et al., 2023). Les modèles NLP affinés tels que BERT (Bidirectional encoder representation from transformers) se sont améliorés dans la génération de traitements personnalisés et de plans de soins adaptés, basés sur les données du patient.

Assistance médicale en santé mentale :

La GenAI peut effectuer une analyse des émotions en analysant les modèles de texte et de parole et en détectant des indices sentimentaux et émotionnels. Elle contribue à la détection précoce des troubles de santé mentale en analysant de gros volumes de données et en repérant des signes évocateurs de certains troubles. Qui plus est, la GenAI peut signaler les individus susceptible de présenter un haut risque ou de nécessiter une assistance en urgence.

La dépression, par exemple, peut être diagnostiquée grâce à l’analyse des données multimodales, y compris du texte et de marqueurs vocaux (Yang, 2019). La GenAI peut générer un environnement de réalité virtuelle (VR) immersif pour les patients. Cela ouvre les portes pour une simulation d’une thérapie d’exposition, des techniques de relaxation et des scénarios de gestion du stress.

Modélisation de l’évolution des maladies :

Pour modéliser la progression d’une maladie, son développement, ses symptômes et ses effets potentiels sont examinés et prédits au fil du temps. L’IA générative a le potentiel d’être un outil puissant dans ce domaine (Zaballa et al., 2023). En analysant de vastes bases de données de données de patients, de dossiers médicaux et de résultats cliniques, les modèles génératifs peuvent découvrir des motifs et des liens au sein des données et imiter des scénarios de développement de maladies. Ces modèles peuvent produire des trajectoires hypothétiques qui décrivent avec précision le développement des affections tout en tenant compte de diverses variables, telles que la génétique, le mode de vie et les traitements. Cela permet aux praticiens et aux chercheurs d’apprécier les conséquences potentielles de différentes modalités thérapeutiques.

L’IA générative peut traiter les complexités de la modélisation des tumeurs cérébrales malignes (Liu et al., 2023). Des images radiologiques et des informations sur le traitement permettent des estimations de la croissance tumorale à un moment donné. En fournissant des images générées, des prédictions de croissance tumorale et des estimations d’incertitude, le modèle offre des informations précieuses pour la prise de décision clinique et la compréhension des mécanismes sous-jacents au cours des maladies ainsi que pour l’accélération de la découverte de nouveaux traitements.

Limites et biais de l’utilisation de la GenAI en santé

Si la GenAI s’est montrée prometteuse lorsqu’évaluée dans des environnements contrôlés, la tester dans des scénarios réels est indispensable pour déterminer son efficacité. Pour ce faire, plusieurs facteurs doivent être pris en compte, notamment : la fiabilité des résultats, les possibles biais, sa généralisation à des populations différentes, etc.

Biais et qualité des données :

Le cadre de l’IA générative produit des résultats basés sur les données d’entraînement fournies par les dossiers de santé et les documents médicaux. Si les données fournies sont biaisées ou de mauvaise qualité, cela conduira à des résultats inexactes. Ces biais de données peuvent s’introduire à n’importe quelle étape du développement et provenir de plusieurs facteurs, (disparités démographiques, variations dans les pratiques de santé ou sous-représentation de populations spécifiques). Les données sont parfois collectées sur internet sans tenir compte des sources potentielles de désinformation ou de biais (Harrer, 2023) ou générées à partir de sources peu fiables.

Confidentialité des données des patients :

Dans un contexte médical, les capteurs ambiants collectent des données sensibles des patients (état civil, état de santé, caractéristiques physiques). Si de telles informations sont divulguées, la vie privée des patients risque d’être rendue publique (Martinez-Martin et al, 2021). Les modèles d’IA générative doivent donc accorder aux patients le droit de décider de leur confidentialité et de la quantité d’informations qu’ils souhaitent partager.

Par ailleurs, les systèmes d’IA générative peuvent être vulnérables aux cyber-attaques, d’où la nécessité d’intégrer des mesures de sécurité dans les solutions proposées.

Généralisation des données non vues :

Si les modèles d’IA générative ne parviennent pas à mettre à jour leurs données au fil du temps ou à s’adapter aux nouvelles tendances médicales, ils rencontreront des problèmes de performance lors du traitement de nouvelles données, différentes de celles de leur entraînement.

Problème d’attribution :

La difficulté de comprendre les motivations derrière les jugements produits par les modèles d’IA générative en santé est connue sous le nom de “problème d’attribution” associé à son utilisation. Souvent, ces modèles ne peuvent pas être facilement compris ou expliqués, ce qui empêche leur application responsable et efficace dans les environnements de soins. Parce que les modèles d’IA générative fonctionnent comme des boîtes noires complexes, il est difficile d’identifier et de créditer le processus de prise de décision. Cela pose un problème d’attribution.

Le problème d’attribution soulève également des questions éthiques et légales. Il est essentiel dans le secteur de la santé de pouvoir attribuer la responsabilité des choix effectués. Face à des organisations de santé qui pourraient hésiter à adopter des solutions d’IA générative sans mécanismes d’attribution clairs, plusieurs méthodologies “d’interprétabilité et de compréhensibilité” sont étudiées pour résoudre ce problème.

Problème de contextualisation :

La contextualisation consiste à absorber et à prendre en compte les données contextuelles pertinentes lors de la production de sorties d’une IA générative. Cela implique de comprendre le contexte précis, les restrictions et les besoins liés à l’activité, et d’utiliser ces informations pour fournir des résultats plus précis. En tenant compte du contexte, le modèle de GenAI peut fournir des résultats plus appropriés pour le scénario en question. Une autre méthode de contextualisation peut inclure des données plus globales (ressources financières, contraintes de temps, problèmes éthiques et moraux, règles institutionnelles, etc.). En santé, la contextualisation permet de garantir que les sorties générées (diagnostics, recommandations de traitement, dossiers de patients…) sont exactes et conformes aux meilleures pratiques. Sans une contextualisation suffisante, donc, les résultats pourraient ne pas être cohérents.

Génération d’informations fausses :

Concrètement, on ne sait jamais si les informations produites par un LLM sont vraies, déformées ou fausses. Et, parce que ce sont des algorithmes probabilistes, ils peuvent proposer des réponses différentes à la même demande si elle est formulée plus d’une fois. Un tel comportement pose un problème de reproductibilité et de fiabilité qui nécessite une surveillance humaine continue du fonctionnement du modèle.

Dans ce sens, des chercheurs de la Cleveland Clinic Foundation ont mené une étude (article H&TI à lire ici) pour évaluer la capacité de ChatGPT et de Google Bard à fournir des recommandations en matière de médecine préventive. L’IA a présenté des réponses précises dans seulement 30 à 50 % des cas (Kassab et al., 2024).

Intégration avec les technologies de santé actuelles :

Les modèles génératifs doivent être compatibles avec les systèmes d’information, les DPI et autres infrastructures informatiques de santé. Un traitement en temps réel des demandes et des résultats exige une architecture informatique efficace et des algorithmes optimisés.

Manque d’expertise professionnelle :

Bien que les modèles de GenAI puissent aider à la prise de décision, la responsabilité des soins prodigués aux patients doit être assumée par les professionnels de la santé. Les recommandations de l’IA doivent être prises en compte après une validation appropriée par des cliniciens. Des cadres réglementaires et éthiques bien codifiés sont indispensables pour régir le déploiement des modèles d’IA générative dans le secteur de la santé.

Coût :

L’entraînement et la construction de modèles d’IA générative nécessitent des ressources importantes, une expertise et un investissement en infrastructure informatique. Certaines dépenses récurrentes peuvent s’avérer trop coûteuses (mise à niveau des modèles, maintenance du matériel, cybersécurité, formation continue…).

Éthique :

Des lois strictes et des organismes de réglementation peuvent protéger le processus global de traitement d’un patient. Un facteur majeur dans les considérations éthiques est la transparence. L’utilisateur doit pouvoir savoir en toute autonomie si la sortie fournie par l’IA est vraie. Il existe également un risque que la dépendance excessive aux LLM entraîne la sous-évaluation du jugement clinique et de la compétence humaine. Bien que les LLM puissent soutenir la prise de décision, ils ne devraient pas remplacer les connaissances, l’expérience ou la capacité de réflexion critique de l’être humain.

Les systèmes d’IA générative doivent être considérés comme des machines insuffisantes qui ont le potentiel d’augmenter l’efficacité des processus mais qui nécessitent une surveillance humaine étroite.

__________________________________________________________________________

Synthèse des cas d’usage avec évaluation de leur maturité

• En vert, les cas d’usage qui ont été explorés par des études et où l’efficacité e la GenIA est relativement démontrée
• En orange, les cas d’usage dont le potentiel est encore à explorer et pour lesquels H&TI n’a pas identifié d’études suffisantes à date

 

Segment	Cas d’usage	Publications
Recherche clinique et découverte des médicaments	Découverte et développement de médicaments	Li et al., 2021 Vert, 2023 Abdine et al., 2023
	Optimisation des essais cliniques	Mueller et al., 2023 Gootjes-Dreesbach et al. 2020 Callaway, 2023
	Prédiction des effets indésirables	Dey et al., 2018
	Augmentation/génération de données synthétiques	Suthar et al., 2022 Jadon & Kumar, 2023 Limeros et al., 2022
	Identification des biomarqueurs	Nair et al., 2023
Organisation et opérations	Excellence opérationnelle	Barat et al., 2023
	Triage médical	Huang et al., 2023 Levine et al., 2023
Payeurs / assureurs	Pré-autorisation des assurances	N/A Rapport de Mckinsey, 2022
Pratique médicale (volets administratif et clinique)	Imagerie médicale	Yang et al., 2023
	Documentation clinique	Patel & Lam, 2023 Gérardin et al., 2023 Lentzen et al., 2022 Y. Li et al., 2022 Moon et al., 2022 Oh et al., 2022 Searle et al., 2023 Sivarajkumar & Wang, 2022 Solarte-Pabón et al., 2023 Wei et al., 2022 Yogarajan et al., 2021
	Agents conversationnels (chatbots) médicaux	Dave et al., 2023
	Personnalisation des traitements	Buche et al., 2023
	Assistance médicale en santé mentale	Yang, 2019
	Modélisation de l’évolution des maladies	Zaballa et al., 2023 Liu et al., 2023

 

Bibliographie :

• Li, J. Pei and L. Lai, “Structure-based de novo drug design using 3D deep generative models”, Chem. Sci., vol. 12, no. 41, pp. 13664-13675, 2021.
• Abdine, M. Chatzianastasis, C. Bouyioukos and M. Vazirgiannis, “Prot2Text: Multimodal protein’s function generation with GNNs and transformers”, arXiv:2307.14367, 2023.
• Vert JP. How will generative AI disrupt data science in drug discovery? Nat Biotechnol. 2023;41(6):750–1.
• Mueller, R. B. Parikh and A. Noble, “Evaluating clinical trial inclusion/exclusion criteria from claims using generative artificial intelligence”, 2023.
• Gootjes-Dreesbach, M. Sood, A. Sahay, M. Hofmann-Apitius and H. Fröhlich, “Variational autoencoder modular Bayesian networks for simulation of heterogeneous clinical study data”, Frontiers Big Data, vol. 3, pp. 16, May 2020.
• Callaway, “How generative AI is building better antibodies”. Nature. 2023. https://doi.org/10.1038/d41586-023-01516-w.
• Dey, S., Luo, H., Fokoue, A. et al. Predicting adverse drug reactions through interpretable deep learning framework. BMC Bioinformatics 19 (Suppl 21), 476 (2018)
• Suthar AC, Joshi V, Prajapati R. A review of generative adversarial-based networks of machine learning/artificial intelligence in healthcare. 2022.
• Jadon and S. Kumar, “Leveraging generative AI models for synthetic data generation in healthcare: Balancing research and privacy”, arXiv:2305.05247, 2023.
• Limeros SC, Majchrowska S, Zoubi MK, Ros’en A, Suvilehto J, Sjöblom L, Kjellberg MJ. GAN-based generative modelling for dermatological applications – comparative study. 2022. ArXiv.
• Nair, D. D. Mohan, S. Frank, S. Setlur, V. Govindaraju and M. Ramanathan, “Generative adversarial networks for modelling clinical biomarker profiles with race/ethnicity”, Brit. J. Clin. Pharmacol., vol. 89, no. 5, pp. 1588-1600, May 2023.
• Barat, P. Soyer and A. Dohan, “Appropriateness of recommendations provided by ChatGPT to interventional radiologists”, Can. Assoc. Radiologists J., vol. 74, no. 4, pp. 758-763, Nov. 2023.
• Meyers, Joshua, Benedek Fabian, and Nathan Brown. 2021. “De Novo Molecular Design and Generative Models.” Drug Discovery Today 26 (11): 2707–15.
• Madani, Ali, Ben Krause, Eric R. Greene, Subu Subramanian, Benjamin P. Mohr, James M. Holton, Jose Luis Olmos Jr, Caiming Xiong, Zachary Z. Sun, and Richard Socher. 2023. “Large Language Models Generate Functional Protein Sequences across Diverse Families.” Nature Biotechnology, 1–8.
• Bohr, Adam, and Kaveh Memarzadeh. 2020. “The Rise of Artificial Intelligence in Healthcare Applications.” In Artificial Intelligence in Healthcare, 25–60. Elsevier.
• AlAmir, Manal, and Manal AlGhamdi. 2022. “The Role of Generative Adversarial Network in Medical Image Analysis: An in-Depth Survey.” ACM Computing Surveys 55 (5): 1–36.
• Kazerouni, Amirhossein, Ehsan Khodapanah Aghdam, Moein Heidari, Reza Azad, Mohsen Fayyaz, Ilker Hacihaliloglu, and Dorit Merhof. 2023. “Diffusion Models in Medical Imaging: A Comprehensive Survey.” Medical Image Analysis, 102846.
• Yasin Shokrollahi, Sahar Yarmohammadtoosky, Matthew M. Nikahd, Pengfei Dong, Xianqi Li, Linxia Gu. 2023. “A Comprehensive Review of Generative AI in Healthcare”. 2310.00795. arXiv, Cornell University
• H. Kung, M. Cheatham, A. Medenilla, C. Sillos, L. De Leon, C. Elepaño, et al., “Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models”, PLOS Digit. Health, vol. 2, no. 2, Feb. 2023.
• Teebagy, L. Colwell, E. Wood, A. Yaghy and M. Faustina, “Improved performance of ChatGPT-4 on the OKAP exam: A comparative study with ChatGPT-3.5”, medRxiv, Apr. 2023.
• Bhayana, S. Krishna and R. R. Bleakney, “Performance of ChatGPT on a radiology board-style examination: Insights into current strengths and limitations”, Radiology, vol. 307, no. 5, Jun. 2023.
• Yang, H. Fu, A. I. Aviles-Rivero, C.-B. Schönlieb and L. Zhu, “DiffMIC: Dual-guidance diffusion network for medical image classification”, Proc. Int. Conf. Med. Image Comput. Comput.-Assist. Intervent., pp. 95-105, 2023.
• Bing, W. Zhang, L. Zheng and Y. Zhang, “Medical image super resolution using improved generative adversarial networks”, IEEE Access, vol. 7, pp. 145030-145038, 2019.
• Susnjak, “Beyond predictive learning analytics modelling and onto explainable artificial intelligence with prescriptive analytics and ChatGPT”, Int. J. Artif. Intell. Educ., pp. 1-31, Jun. 2023.
• Patel SB, Lam K. ChatGPT: the future of discharge summaries? Lancet Digit Health. 2023;5:e107–8.
• Christel Gérardin, Perceval Wajsbürt, Basile Dura, Alice Calliger, Alexandre Moucher, Xavier Tannier, Romain Bey, “Detecting automatically the layout of clinical documents to enhance the performances of downstream natural language processing”, arXiv:2305.13817. 23, May 2023
• Grouin C, Grabar N, “Year 2022 in Medical Natural Language Processing: Availability of Language Models as a Step in the Democratization of NLP in the Biomedical Area”. Yearb Med Inform. 2023 Aug;32(1):244-252.
• Buche, F. Lasson and S. Kerdelo, “Conditional autoencoder pre-training and optimization algorithms for personalized care of hemophiliac patients”, Frontiers Artif. Intell., vol. 6, Jan. 2023.
• Yang, “Multi-modal depression detection and estimation”, Proc. 8th Int. Conf. Affect. Comput. Intell. Interact. Workshops Demos (ACIIW), pp. 26-30, Sep. 2019.
• Dave, S. A. Athaluri and S. Singh, “ChatGPT in medicine: An overview of its applications advantages limitations future prospects and ethical considerations”, Frontiers Artif. Intell., vol. 6, May 2023.
• Huang, L. Neill, M. Wittbrodt, D. Melnick, M. Klug, M. Thompson, et al., “Generative artificial intelligence for chest radiograph interpretation in the emergency department”, JAMA Netw. Open, vol. 6, no. 10, Oct. 2023.
• M. Levine, R. Tuwani, B. Kompa, A. Varma, S. G. Finlayson, A. Mehrotra, et al., “The diagnostic and triage accuracy of the GPT-3 artificial intelligence model”, medRxiv, Jan. 2023.
• Zaballa, A. Pérez, E. G. Inhiesto, T. A. Ayesta and J. A. Lozano, “Learning the progression patterns of treatments using a probabilistic generative model”, J. Biomed. Informat., vol. 137, Jan. 2023.
• Liu, E. Fuster-Garcia, I. T. Hovden, D. Sederevicius, K. Skogen, B. J MacIntosh, et al., “Treatment-aware diffusion probabilistic model for longitudinal MRI generation and diffuse glioma growth prediction”, arXiv:2309.05406, 2023.
• Harrer, “Attention is not all you need: The complicated case of ethically using large language models in healthcare and medicine”, eBioMedicine, vol. 90, Apr. 2023.
• Martinez-Martin, Z. Luo, A. Kaushal, E. Adeli, A. Haque, S. S. Kelly, et al., “Ethical issues in using ambient intelligence in health-care settings”, Lancet Digit. Health, vol. 3, no. 2, pp. 115-123, Feb. 2021.