Un modèle d’apprentissage automatique mis au point par des scientifiques du Francis Crick Institute de Londres peut prédire avec plus de précision le risque de décès des patients souffrant de maladies coronariennes. L’étude* publiée dans Plos One le 31 août 218 met aussi en évidence que l’intelligence artificielle est capable d’identifier des marqueurs biologiques prédictifs de mortalité que les cardiologues n’utilisent pas.
Les modèles statistiques classiques face à l’IA
Les dossiers électroniques de santé (EHR) constituent une mine d’informations. Ils contiennent des données sur les antécédents médicaux des patients, sur les symptômes, les résultats d’examens, les prescriptions, etc.
Cependant, ces données ne sont pas collectées de manière systématique et de nombreuses informations manquent à l’appel. Certains cliniciens ne consignent pas des données dans le dossier parce qu’ils les jugent non pertinentes; le patient peut aussi s’opposer à leur stockage. Par conséquent, l’utilisation de ces données nécessite souvent beaucoup de manipulations et de calculs afin d’éviter les biais, et à terme les éventuelles erreurs de diagnostic.
C’est pourquoi les modèles statistiques classiques, avec une sélection a priori des variables prédictives par des experts présentent un certain nombre de lacunes potentielles. Ils sont notamment très consommateurs de temps et les médecins ne peuvent souvent pas utiliser toutes les données. En revanche, les systèmes d’apprentissage automatique permettent d’intégrer un très grand nombre de variables, sans exiger autant d’hypothèses sur la relation entre des variables particulières et des résultats intéressants.
586 variables contre 27
Des chercheurs du Francis Crick Institute de Londres ont donc voulu comparer les performances des modèles statistiques traditionnels créés par des experts à des modèles reposant sur l’intelligence artificielle dans la détection du risque de décès par maladies coronariennes. Ils ont donc utilisé les données issues des dossiers électroniques de santé de 80 000 patients. Leurs algorithmes se sont entraînés et ont recherché les variables les plus pertinentes parmi un ensemble de 600. Au final, 586 variables par patient ont été sélectionnées. Le modèle pronostique construit par les experts reposait quant à lui sur 27 variables. Les résultats de leur étude ont été publiés le 31 août 2018 dans PLOS One.
Résultats
- Le modèle d’apprentissage automatique était légèrement plus précis sur le plan statistique (0,801 contre 0,793 pour les médecins physiques).
- La sélection automatique des données a nécessité moins de temps de saisie.
- L’intelligence artificielle peut être utilisée dans des contextes où les facteurs de risque ne sont pas connus.
Cette étude prouve non seulement que les modèles basés sur l’intelligence artificielle sont supérieurs aux systèmes statistiques traditionnels mais l’autre grand enseignement est que l’IA identifie de nouvelles variables auxquelles les médecins n’avaient pas pensé. « Parallèlement à des facteurs de risque tels que l’âge et si le patient fume, nos modèles ont identifié la consultation à domicile du médecin généraliste comme un bon prédicteur de la mortalité des patients », a expliqué Andrew Steele, premier auteur et chercheur au Crick Institute. Les cardiologues estiment que les visites à domicile sont importantes dans la biologie des maladies cardiaques, mais peut-être une bonne indication que le patient est trop malade pour se rendre chez le médecin et une variable utile pour aider le modèle à faire des prédictions précises. »
Les inconvénients de l’IA
Cependant, les techniques basées sur les données et l’apprentissage automatique présentent plusieurs inconvénients. Tout d’abord, le degré d’automatisation de ces méthodes n’est pas encore complet. En outre, il peut être difficile d’interpréter les résultats finaux. Les techniques de modélisation statistique classiques conservent donc des avantages.
Les auteurs de l’étude ont néanmoins la conviction que « l’apprentissage automatique est un outil extrêmement puissant en médecine et a la capacité de révolutionner la manière dont nous prendrons en charge les patients au cours des prochaines années ».