Au cours de la décennie 2010, l’ophtalmologie a été transformée par des nouvelles technologies telles que le deep learning (apprentissage profond) et l’internet des objets (IoT).
C’est ce qu’indique un article publié le 4 décembre 2019 dans The Lancet Digital Health et intitulé « Artificial intelligence, the internet of things, and virtual clinics: ophthalmology at the digital translation forefront » (« Intelligence artificielle, internet des objets et cliniques virtuelles : l’ophtalmologie au premier plan de la révolution numérique »), qui décrit l’impact des nouvelles technologies sur la spécialité.
« L’OMS a publié au début de l’année 2019 un ensemble de guidelines visant à conseiller les chercheurs sur une exploitation des nouvelles technologies fondée sur des preuves et permettant d’améliorer l’état de santé des patients, rappellent les auteurs de l’article. Inspirés par cette initiative, nous revenons ici sur l’utilisation des nouvelles technologies en ophtalmologie, […] et en particulier celles qui sont déjà disponibles ou qui pourraient être utilisées en pratique courante dans un avenir proche. »
L’article s’attarde sur l’intérêt des solutions d’intelligence artificielle (IA) et de deep learning puis d’IoT développées en ophtalmologie. Selon ses auteurs, ces technologies doivent :
• permettre d’analyser rapidement d’importantes quantités de données d’imagerie afin de dépister au plus vite certaines pathologies oculaires et d’orienter au mieux les prises en charge ;
• faciliter la communication entre les équipes et favoriser le développement de la téléophtalmologie dans un contexte de pénurie de spécialistes.
Les auteurs de l’article indiquent par ailleurs qu’afin que l’ophtalmologie poursuive sa transformation technologique le mieux possible, cette dernière doit être motivée par des besoins de santé réels et soutenue par des politiques et stratégies de santé appropriées.
IA, deep learning et dépistage en ophtalmologie
Analyser rapidement de nombreuses images
« L’apprentissage en profondeur a montré qu’il surpassait les techniques traditionnelles de reconnaissance d’image, de parole, de mouvement et de traitement du langage naturel », indiquent les auteurs.
En médecine, où il s’agit surtout d’analyser des images, cette technologie devient peu à peu capable d’assister les praticiens, et en particulier les radiologues, dans l’établissement de leurs diagnostics : des algorithmes d’apprentissage profond ont détecté avec succès des foyers tuberculeux à partir de radiographies pulmonaires, des mélanomes malins à partir de photographies de peau ou des métastases ganglionnaires secondaires à des cancers du sein à partir de coupes de tissus.
En ophtalmologie, spécialité de plus en plus productrice d’un très grand nombre de clichés tels que des photographies de fond d’œil et des images de tomographie par cohérence optique (scanner rétinien permettant d’observer des lésions liées à des pathologies telles que la rétinopathie diabétique, l’œdème maculaire diabétique, le glaucome, la dégénérescence maculaire liée à l’âge ou la cataracte), de plus en plus d’algorithmes de deep learning sont développés.
L’IA pour dépister des complications de maladies cardio-métaboliques en ophtalmologie
- Des IA pas encore à mêmes de dépister ou de caractériser des maladies cardio-métaboliques…
Selon plusieurs études, l’apprentissage en profondeur pourrait dans le futur prédire les facteurs de risque cardiovasculaires tels qu’une augmentation de la pression artérielle systémique ou d’un taux d’hémoglobine glyquée A1c (facteur de risque de diabète) à partir de photographies de fond d’œil. « Une part très peu élevée de ces algorithmes et systèmes de deep learning testés l’ont cependant été dans le cadre de recherches prospectives fiables », expliquent les auteurs, pour lesquels ces IA n’ont pas fait la preuve de leur efficacité dans le dépistage de maladies cardio-métaboliques à partir de clichés d’ophtalmologie.
- … mais capables de détecter ou de suivre l’évolution de complications rétiniennes du diabète
Si les algorithmes d’apprentissage profond ne semblent pas encore capables d’aider au diagnostic des maladies cardio-métaboliques à partir d’images de fond d’œil, ces derniers pourraient cependant aider au dépistage de complications ophtalmologiques de maladies cardio-métaboliques telles que le diabète.
« L’utilisation du deep learning pour le dépistage de la rétinopathie diabétique, complication rétinienne du diabète, est la technologie la plus établie, la plus souvent rapportée dans la littérature, la mieux évaluée et la plus susceptible d’être intégrée à la pratique courante », indiquent les auteurs.
La Food and Drug Administration (FDA) a ainsi approuvé pour la première fois en 2018, sur la base d’un essai clinique prospectif réalisé dans des établissements de soins oculaires américains, un appareil médical fondé sur l’IA et le deep learning. L’autorisation de mise sur le marché de cet appareil, qui permet de dépister et de surveiller l’évolution de la rétinopathie diabétique, aurait, d’après les auteurs, « ouvert la porte à l’introduction de la technologie basée sur l’IA et le deep learning en pratique courante ».
Développer des aides à la décision clinique face à la multiplication des images
« À la fin de l’année 2019, plus de 30 millions de tomographies par cohérence optique rétinienne étaient effectués chaque année aux États-Unis, produisant plus de clichés que tous les autres examens d’imagerie ophtalmique combinés », indiquent les auteurs de l’article. Face à la multiplication de ces images, ils affirment que le développement d’outils d’aide à la décision clinique fondés sur l’IA et le deep learning n’est pas un luxe technologique superficiel mais une solution qui permettrait potentiellement d’aider des ophtalmologistes très peu nombreux à gérer une quantité très importante de données.
Le deep learning pour orienter au mieux les prises en charge
- Orienter au mieux les patients aux urgences
Le deep learning permettrait aux spécialistes de gagner d’autant plus de temps que de nouveaux algorithmes seraient capables, sur la base de clichés d’imagerie simples, de générer des « décisions de tri de référence » lors du tri des patients à leur entrée au sein d’un service d’urgences ophtalmologiques.
- Prévoir l’évolution de la maladie pour adapter le traitement
Dans le suivi du traitement de la DMLA néovasculaire, un modèle d’apprentissage automatique (machine learning) développé en 2019 pourrait prédire, à partir d’une acuité visuelle de départ, l’acuité visuelle des patients 3 mois et 12 mois après une première administration de ranibizumab (Lucentis). « Cette approche permettrait d’aider les cliniciens à prescrire, conseiller et gérer les attentes des patients de la manière la plus adaptée possible au cours de leur parcours thérapeutique », expliquent les auteurs.
L’IoT pour une meilleure communication entre les équipes et centres de soins
Communication et analyse de clichés à distance
« Avec l’Internet des objets, tous les appareils connectés à Internet peuvent s’échanger des informations de manière purement automatisée sans avoir besoin d’interaction homme-homme ou homme-ordinateur », rappellent les auteurs de l’article.
L’internet des objets appliqué à l’ophtalmologie permettrait de relier plus facilement les données d’imagerie aux informations cliniques des patients. Cette technologie permettrait donc de lier les pôles de production des images aux services de soins d’ophtalmologie, que ces derniers se trouvent dans un même hôpital ou dans des établissements différents éventuellement très éloignés les uns des autres.
Les images et données cliniques pourraient par ailleurs dans le futur être analysées à distance par des algorithmes d’IA.
Apparition de cliniques d’ophtalmologie virtuelles
« Le développement de cliniques virtuelles telles que les quelques cliniques numériques qui ont ouvert en 2019 aux États-Unis, en réduisant la nécessité d’un rendez-vous physique, pourrait résoudre le problème des longs délais d’attente », indiquent les auteurs. En fait, des cliniques d’ophtalmologie virtuelles, c’est-à-dire des plateformes de télémédecine spécialisées, pourraient se développer en ophtalmologie afin de désengorger les cabinets et centres de soins. Afin de proposer un service le plus fiable possible, ces plateformes pourraient recevoir des données d’imagerie enregistrées par des dispositifs connectés maniés par des professionnels (infirmiers, orthoptistes) formés.
Évolution technologique future de l’ophtalmologie
Répondre à des besoins cliniques plutôt que participer à une course technologique
« Les innovations en matière de soins de santé, y compris l’IA et l’Internet des objets, doivent débuter par l’identification de besoins cliniques non satisfaits », insistent les auteurs.
Facteurs déterminants pour une poursuite du développement technologique de l’ophtalmologie
Le développement de nouvelles technologies ne peut pas seul conduire les ophtalmologistes à plus utiliser l’IA ou l’IoT.
En plus de nouvelles solutions physiquement disponibles à l’efficacité et la sécurité d’utilisation prouvées, l’ophtalmologie numérique a besoin pour évoluer de stratégies de santé adaptées, de référentiels d’interopérabilité efficaces, d’infrastructures modernes, de législations appropriées et de professionnels formés.
