Articles

  • Etude : un algorithme détecte avec précision la rétinopathie chez les prématurés (Jama Ophtalmology)

    Un dépistage automatisé de la rétinopathie chez le prématuré est possible. Des chercheurs américains ont mis au point un algorithme qui dépiste la maladie avec une sensibilité de 100% et une spécificité de 94%. L’étude* parue le 2 mai 2018 dans le Jama Ophthalmology montre donc que dans ce contexte, l’intelligence artificielle est aussi efficace que des experts médicaux.

    L’IA au secours du dépistage de la rétinopathie

    La rétinopathie du prématuré est une des principales causes de la cécité dans l’enfance. Cette pathologie affecte deux tiers des nouveaux-nés pesant moins d’1,2 kg. La plupart des cas sont modérés et ne nécessitent aucune intervention. Cependant, dans 5 à 10% des cas, la maladie évolue vers une forme grave qui risque d’évoluer vers une cécité faute de traitement. Le dépistage de la rétinopathie chez le prématuré doit se faire dans les 4 à 6 semaines qui suivent la naissance grâce à un fond d’oeil. La dilatation et l’aspect tortueux des vaisseaux rétiniens sont un signe typique de la pathologie. Malheureusement, les ophtalmologistes formés à cet examen de dépistage ne sont pas assez nombreux. Et le diagnostic clinique est très variable d’un médecin à l’autre.

    Un algorithme testé sur 6 000 images

    Des recherches associant l’apprentissage automatique ont donc été menées. Des chercheurs américains ont tenté d’évaluer une approche basée sur un réseau de neurones convolutifs capable de diagnostiquer trois stades : normal, pré-rétinopathie, rétinopathie.

    Pour mettre au point leur algorithme, les chercheurs ont utilisé 6 000 images de rétine. Chacune d’entre elles a été comme normale, pré-rétinopathie, ou rétinopathie après avoir été analysée par 3 experts indépendants (2 ophtalmologistes et un membre de l’étude).

    • 82,3% étaient normales
    • 14,6% étaient au stade pré-rétinopathie
    • 3,1% étaient au stade de la maladie

    L’algorithme a été évalué par une validation croisée 5 fois et testé sur un ensemble indépendant de 100 images. Chaque expert participant avait plus de 10 ans d’expérience clinique dans le traitement de la rétinopathie chez le prématuré et avait publié plus de 5 articles revus par des pairs sur cette pathologie. Les résultats de leurs travaux ont été publiés le 2 mai dans le Jama Ophthalmology.

    Résultats

    Les capacités de dépistage de l’algorithme ont été comparées à celles des experts médicaux.

    • Le deep learning a permis de diagnostiquer correctement 91% des images contre 82% des experts.
    • La sensibilité et la spécificité de l’algorithme étaient respectivement de 93 et 94% grâce pour la détection de la rétinopathie
    • La sensibilité et la spécificité étaient respectivement de 100% et 94% pour le grade pré-rétinopathie

    Un algorithme plus précis que des experts

    L’algorithme a surpassé non seulement la plupart des experts de cette étude mais aussi tous les systèmes antérieurs d’analyse d’images basés sur l’informatique. De plus, les autres systèmes étaient semi-automatisés. « Ces résultats peuvent changer la façon dont la rétinopathie du prématuré sera diagnostiquée à l’avenir et sont largement pertinents pour d’autres domaines médicaux », ont affirmé les auteurs de l’étude.

    L’intégration de cette technologie dans les appareils réalisant des fonds d’oeil ou les systèmes de télémédecine pourrait améliorer la qualité, l’accessibilité et le coût du dépistage de cette pathologie dans le monde entier », pronostiquent-ils.

  • Essais cliniques : Novartis lance une appli permettant des évaluations en ophtalmologie à domicile

    Novartis a annoncé par communiqué, le 25 avril 2018 le lancement d’une application destinée à permettre à des patients de participer à des études cliniques en ophtalmologie depuis leur domicile. Ce produit, baptisé FocalView, s’appuie sur la plateforme Apple ResearchKit.

    L’application n’est pour l’heure disponible que sur l’AppStore aux États-Unis.

    Mesure de l’acuité visuelle et de la sensibilité aux contrastes

    FocalView fait appel au concept du crowdsourcing : le recueil de données auprès de patients consentants vise à permettre aux chercheurs de faire progresser les connaissances des maladies oculaires et, potentiellement, accélérer le développement de nouveaux traitements.

    En adaptant la conception des essais cliniques à la routine quotidienne des patients (qui dans le cas des maladies oculaires, sont souvent peu mobiles), l’application peut réduire les obstacles à la participation aux recherches dans le domaine, souligne Novartis. Via FocalView, les patients effectuent des évaluations et obtiennent en retour des commentaires sur leurs capacités visuelles et la façon dont elles évoluent.

    Les mesures comprennent notamment l’acuité visuelle et la sensibilité au contraste. «Dans la phase suivante, l’application sera validée pour accomplir les tests visuels traditionnels qui ont lieu dans les cliniques classiques », est-il précisé dans le communiqué.

    Le développement d’appli par Novartis

    En collaboration avec Microsoft, le groupe pharmaceutique avait déjà lancé fin 2017 ViaOpta Hello, une appli mobile destinée aux personnes malvoyantes, qui identifie les personnes et objets du quotidien via un système de reconnaissance d’images. Dans un communiqué du 1er mars 2018, le groupe pharmaceutique a également annoncé avoir initié un partenariat avec Pear Therapeutics pour développer des applications thérapeutiques (mobile ou sur ordinateur) pour les patients atteints de schizophrénie et de sclérose en plaques.

  • Japan: Canon Medical partners with Nvidia to accelerate deep learning in the healthcare sector

    While healthcare represents one of the biggest opportunities in deep learning, Canon Medical Systems, the largest medical systems provider in Japan, announced in April 2018 that it had signed a partnership with the world leader in visual computing technologies Nvidia to develop and support the research infrastructure in the healthcare industry.

    The two companies expect to make a significant contribution to promoting the use of data-intensive deep learning techniques in medical and related research, as well as to driving the uptake of AI in the healthcare sector.

    Deep learning enables early detection and assisted diagnosis

    « The healthcare sector needs to analyze scientific reports from around the world, while simultaneously coordinating a variety of patient data to determine the most appropriate treatment options. Given the huge volumes of data involved, big data analysis via deep learning will play a major role in the development of optimized healthcare delivery systems and support early detection and assisted diagnosis, » Nvidia said in an article published on its blog.

    There is a need for state-of-the-art analytical equipment

    At the same time, medical institutions wishing to use deep learning for independent research need hardware for analysis, systems for the collection and analysis of in-house data, but also a good knowledge of deep learning processes and techniques.

    « Canon Medical aims to improve the quality and efficiency of medical services, » said Kiyoshi Imai, vice president and general manager, Healthcare IT division, Canon Medical Systems (source: Blogs.nvidia.com). « Our collaboration with Nvidia will accelerate AI research and provide high-quality medical services using AI, such as image recognition, in the future. »

    On his side, Masataka Osaki, vice president of corporate sales and Nvidia Japan country manager, said that the purpose of this collaboration is « to apply deep learning for early detection and diagnostic support systems that will enable [them] to address a range of challenges posed by a rapidly aging population. » « We’re also working together to enhance the global competitiveness of medical and research organizations (…) »

    Nvidia and Canon Medical System’s device provides full support

    Canon Medical Systems will use Nvidia DGX systems to handle large volumes of medical data generated by Abierto VNA, the proprietary, in-house, medical data management system launched in January.

    No need for extensive programming and data science skills

    The systems include Nvidia’s specially optimized artificial intelligence software and Canon Medical System’s graphical user interface, which provides full support for the design, deployment and operation of advanced deep learning algorithms.

    The use of deep learning systems generally requires extensive programming and data science skills, however, the system developed by Canon Medical Systems and Nvidia guides users through all steps involved in the deep learning process, from generating training data with the image viewer to setting up the Nvidia learning environment.

    First demonstrations provided in April

    Canon Medical Systems provided demonstrations on how to implement deep learning at medical institutions via Abierto VNA and the NVIDIA DGX systems at the International Technical Exhibition of Medical Imaging (ITEM), held at the Japan Radiology Congress from April 13 to 15, 2018.

  • Japon : Canon Medical s’allie à Nvidia pour stimuler le deep learning dans le secteur des soins

    Alors que le secteur des soins représente l’une des plus grandes opportunités dans le domaine de l’apprentissage en profondeur (deep learning), Canon Medical Systems, le principal fournisseur de systèmes médicaux au Japon, a conclu courant avril 2018 un partenariat avec le fournisseur mondial de processeurs graphiques Nvidia, pour développer et soutenir l’infrastructure de la recherche dans ce domaine.

    Les deux entreprises espèrent apporter une contribution significative à la promotion de l’utilisation des techniques d’apprentissage en profondeur de données à forte intensité dans la recherche médicale et favoriser l’adoption de l’IA dans le secteur des soins.

    Le deep learning favorise la détection précoce et le diagnostic assisté

    « [Les professionnels du] secteur de la santé [doivent] analyser les rapports scientifiques du monde entier, tout en coordonnant simultanément une variété de données sur les patients afin de déterminer les options de traitement les plus appropriées. Compte tenu des énormes volumes de données concernés, l’analyse des données volumineuses via l’apprentissage en profondeur jouera un rôle majeur dans le développement de systèmes de prestation de soins optimisés et favorisera la détection précoce [de maladies] et le diagnostic assisté », commente Nvidia sur son blog.

    La nécessité d’un matériel d’analyse de pointe

    En parallèle, les institutions médicales souhaitant utiliser l’apprentissage en profondeur pour la recherche indépendante ont besoin de matériel d’analyse, de systèmes de collecte et d’analyse des données internes mais aussi d’une bonne connaissance des processus et des techniques de deep learning.

    « Canon Medical vise à améliorer la qualité et l’efficacité des services médicaux, a déclaré Kiyoshi Imai, vice-président et directeur général de la division Healthcare IT de Canon Medical Systems (source : Blogs.nvidia.com). Notre collaboration avec Nvidia accélérera la recherche sur l’IA et fournira des services médicaux de haute qualité utilisant l’IA, tels que la reconnaissance d’images, dans un [futur proche]. »

    Masataka Osaki, vice-président de la division des ventes aux entreprises à Nvidia et directeur du groupe au Japon, a expliqué que cette collaboration avait pour but d’« appliquer le deep learning aux systèmes de détection précoce et de diagnostic [afin] de relever un certain nombre de défis liés au vieillissement rapide de la population ». « Nous travaillons également ensemble à l’amélioration de la compétitivité mondiale des organisations médicales et de recherche (…) »

    L’outil de Nvidia et de Canon Medical System fournit une assistance complète

    Canon Medical Systems utilisera les systèmes Nvidia DGX pour traiter de gros volumes de données médicales générées par Abierto VNA, le système interne de gestion des données médicales lancé en janvier 2018.

    Pas besoin de compétences en programmation et en sciences des données

    Les systèmes comprennent le logiciel d’intelligence artificielle spécialement optimisé conçu par Nvidia et l’interface utilisateur graphique de Canon Medical System, qui fournit une assistance complète pour la conception, le déploiement et le fonctionnement d’algorithmes de deep learning avancés.

    L’utilisation de systèmes d’apprentissage en profondeur nécessite généralement de vastes compétences en programmation et en science des données. Point positif, le système mis au point par Canon Medical Systems et Nvidia guide les utilisateurs à travers toutes les étapes du processus d’apprentissage en profondeur, de la génération de données d’entraînement (training data) grâce aux visualiseurs d’images à la configuration de l’environnement d’apprentissage Nvidia.

    Une première démonstration réalisée en avril

    Canon Medical Systems a réalisé diverses démonstrations sur la mise en œuvre de l’apprentissage en profondeur dans les institutions médicales via Abierto VNA et les systèmes Nvidia DGX lors de l’Exposition technique internationale de l’imagerie médicale (ITEM) qui a eu lieu du 13 au 15 avril 2018 au Congrès japonais de radiologie.

  • SGMAS

    Secrétariat général des ministères chargés des affaires socialesnull

  • CRH

    Compte-rendu d’hospitalisationnull

  • DCGDR

    Direction de la coordination de la gestion du risquenull

  • Feuille de route pour la généralisation du DMP par les établissements de santé et suivi national

    L’instruction ministérielle N° SG/DSSIS/DGOS/DGCS/CNAM/2018/72 du 13 mars 2018, élaborée conjointement par la Délégation à la Stratégie des Systèmes d’Information de Santé (DSSIS) et la Cnam, appelant à l’accélération de la généralisation du DMP a été publiée le 25 avril 2018.

    Elle vise les directeurs des agences régionales de santé (ARS) et les directeurs-coordonnateurs de la gestion du risque (DCGDR) de l’assurance maladie de la Cnam et leur demande de mettre en œuvre en région à compter notamment du deuxième semestre 2018 :
    • un dispositif de mobilisation des établissements de santé et de sensibilisation des Ehpad pour la phase de généralisation du dossier médical partagé (DMP) ;
    • un dispositif de suivi et de remontées d’informations vers le niveau national, objet d’instances ad hoc.

    Une accélération de la création et de l’enrichissement du DMP est entamée depuis la fin du premier trimestre 2018 et elle se poursuivra au second trimestre avec l’association des éditeurs des logiciels de pharmacie visant à permettre la création des DMP par les pharmaciens d’officine. La dernière phase consistera en une création en masse des DMP à partir du dernier trimestre 2018.

    Les établissements de santé doivent établir des cartographies des systèmes d’information afin de répertorier ceux interopérables avec le DMP.

    Des instances de pilotage et de suivi sont prévues.

    Les enseignements de la phase de présérie conduite sur neuf départements

    La phase de présérie a permis de comprendre qu’un usage dynamique du DMP était lié à la création en masse du DMP et son enrichissement par les professionnels de santé

    À la suite de cette phase conduite sur neuf départements qui visait à établir une procédure efficace de déploiement et doter le DMP de nouvelles fonctionnalités, la DSSIS a décidé d’accélérer la mobilisation des établissements de santé, en vue d’un déploiement généralisé fin 2018, et la sensibilisation des Ehpad et autres établissements de santé afin qu’ils procèdent au renseignement du DMP.

    9 départements et 360 000 DMP créés en un an

    Les neufs départements concernés étaient : Côtes-d’Armor, Somme, Val-de-Marne, Indre-et-Loire, Bas-Rhin, Doubs, Haute-Garonne, circonscription de la caisse d’Assurance maladie de Bayonne, Puy-de-Dôme.

    Faits notables de la présérie :

    • plus de 70% des DMP créés l’ont été à l’accueil des caisses ;
    • 25% des DMP créés l’a été par les patients eux-mêmes, directement via le site internet du DMP ;
    • fin 2017, 60% des établissements de santé des départements cités alimentaient le DMP (contre 40% en 2016), mais ils sont très peu impliqués dans la création des DMP;
    • 15% des médecins libéraux attachés aux caisses des départements cités accédaient de façon régulière aux DMPs créés à partir du dernier semestre 2017.

    Feuille de route de la généralisation nationale du DMP

    Dans la version de déploiement national, la création des DMP pour les ayants-droit du régime général est rendue possible.

    La généralisation nationale repose sur l’implication de divers acteurs de façon échelonné sur l’année :

    • dès le début de l’année 2018, des actions de mobilisation des établissements de santé et de sensibilisation des Ehpad ont commencé à être mises en place. Les actions de sensibilisation concernent avant tout les personnels des Ehpad invités à enrichir le DMP avec les Dossiers de Liaison des Urgences (DLU), et les médecins traitants des résidents. Ces derniers doivent organiser des échanges avec les médecins coordonnateurs de ces établissements et participer aux commissions de coordination gériatrique ;
    • une collaboration avec les éditeurs des logiciels de pharmacie est mise en œuvre depuis le deuxième trimestre 2018 afin de permettre la création des DMP par les pharmaciens d’officine à partir du dernier trimestre 2018 ;
    • la création des DMP par les patients sur internet sera généralisée ;
    • les services d’accueil des caisses d’assurance maladie pourront procéder à la création de dossiers dès juin 2018, mais seront intégralement opérationnels fin septembre 2018 ;
    • une campagne nationale de communication et d’information à destination du grand public sera lancée en octobre 2018.

    Objectifs fixés pour les établissement de santé, Ehpad et autres structures

    L’objectif global visé est :

    • 70% des établissements de santé supports de GHT doivent être équipés pour alimenter le DMP fin 2018, alors que le taux des 100% des établissements est visé pour la fin du premier semestre de 2019 ;
    • les établissement de santé privés doivent faire le nécessaire pour se doter de systèmes d’information compatibles avec le DMP et permettant de l’alimenter.

    Les établissements de santé doivent suivre les étapes suivantes :

    • établir une cartographie des SI compatibles avec le DMP pour la fin du mois d’avril 2018 ;
    • identifier des établissements de santé, en priorité des établissements de santé support d’un GHT dont les CHU, en privilégiant ceux qui disposent d’un DPI interopérable avec le système d’information du DMP ou d’un DPI pour lequel l’éditeur de logiciel a développé une version compatible avec le DMP, mais qui n’est pas encore installée dans l’établissement ;
    • mobiliser les représentants des GRADeS et des CPAM, par respectivement les ARS et les DCGDR de l’assurance maladie pour qu’ensemble, ils organisent des rencontres avec les directeurs des établissements de santé et les présidents de CME afin de les engager dans la démarche prioritaire d’alimentation du DMP par les CRH et les lettres de liaison de sortie.

    Pilotage et suivi au niveau national

    Le suivi de la mise en œuvre des plans d’actions par les ARS fera l’objet d’une instance ad hoc composée notamment du SGMCAS, de la DGOS, de la DGCS, de la DSS et de la Cnam, ainsi que des représentants des ARS.

    La progression du déploiement, l’alimentation des DMP et l’évolution de leur usage devront être décrits de façon mensuelle auprès de la CNAM, de la DGOS et du SGMCAS. Les modalités pratiques de remontées d’informations seront définies en liaison avec les ARS et les DCGDR et mis en place en collaboration avec l’ASIP Santé.

    Enfin, dans le cadre du programme HOP’EN pour 2018-2022, des indicateurs spécifiques à l’alimentation du DMP seront définis et le Comité de pilotage national du DMP sera informé de l’avancement de la phase de déploiement généralisé.

  • NokiaHealth devrait être revendu à Eric Carreel, co-fondateur de Withings

    Après avoir acquis la start-up française Withings en 2016 pour 170 millions d’euros, l’entreprise finlandaise Nokia souhaite se séparer de cette entité désormais baptisée Nokia Health.

    Google, Samsung, Nest, Logitech et Netatmo auraient été en lice, mais c’est finalement l’entrepreneur Eric Carreel, un des co-fondateurs de Withings, qui va reprendre la division santé. Telle est l’annonce faite dans un communiqué de Nokia diffusé le 2 mai 2018.

    Le montant de la transaction – qui devrait être finalisée à la fin du deuxième trimestre 2018 – n’a pas été révélé.

    Start-up emblématique de la French Tech, Withings a été créé en 2008 et commercialise une gamme de produits et services numérique tels des trackers d’activité, un pèse-personne connecté, un tensiomètre, ou encore Aura, un système connecté pour améliorer le sommeil. 

    Withings n’a jamais pu réellement s’intégrer au sein du groupe Nokia qui se positionne désormais comme équipementier télécom.

    Il reste à déterminer comment Eric Carreel pourra relancer la marque. Le repreneur, un temps vice-président de l’association de promotion de l’économie numérique France Digitale, a été responsable du plan industriel « Objets connectés » d’Arnaud Montebourg. Avant de fonder Withings avec Cédric Hutchings et Frédéric Potter, en 2009, il avait créé Inventel (concepteur de la Livebox) avec Jacques Lewiner, en 1990. Eric Carreel a aussi fondé Sculpteo, une plateforme d’impression 3D, et Invoxia, un fabricant de téléphones IP.

  • Balise Beacon

    Petit boîtier qui utilise la connexion Bluetoothnull