DM

Des chercheurs de l’Imperial College of London de l’université de Melbourne ont développé un logiciel d’intelligence artificielle (IA) qui s’est révélé capable de prédire le pronostic des patientes atteintes d’un cancer de l’ovaire avec plus de précision que les méthodes actuelles. Cette technologie a su identifier le traitement qui serait le plus efficace, révèlent également les résultats d’une étude* publiés le 15 février 2019 dans la revue Nature Communications.

À la recherche de biomarqueurs dans le cancer de l’ovaire

Le taux de survie à 5 ans du cancer de l’ovaire est d’environ 35 à 40 % car la maladie est souvent diagnostiquée tardivement. C’est le sixième cancer le plus fréquent chez la femme. La plupart des patientes atteintes de la forme de haut grade subissent une chirurgie de réduction tumorale et une chimiothérapie, et ce sans tenir compte de biomarqueurs pronostics individuels.

La réponse à ce traitement est très hétérogène. Or, plusieurs biomarqueurs moléculaires ont récemment été identifiés. Par ailleurs, le diagnostic du cancer de l’ovaire – via un test sanguin et un scanner – ne permet pas aux cliniciens d’évaluer les effets probables d’une intervention chirurgicale.

Un logiciel d’IA pour établir un score de risque

Des chercheurs de l’Imperial College de Londres de l’université de Melbourne ont donc fait l’hypothèse que l’intelligence artificielle (IA) pourrait aider les cliniciens à administrer plus rapidement les meilleurs traitements et ouvrir la voie à une médecine plus personnalisée. Ils espèrent que la technologie permettra de classer les patientes en fonction de différences subtiles dans la structure de leur cancer plutôt que sur une classification basée sur leur type de cancer ou sur son état d’avancement.

Les chercheurs ont donc utilisé un logiciel mathématique appelé TEXLab pour identifier l’agressivité des tumeurs dans les tomodensitogrammes et les échantillons de tissus de 364 femmes atteintes d’un cancer de l’ovaire entre 2004 et 2015.

Le logiciel a examiné 4 caractéristiques biologiques des tumeurs qui influent de manière significative sur la survie globale – structure, forme, taille et constitution génétique – afin d’évaluer le pronostic des patientes. Elles ont ensuite reçu un score appelé « vecteur de pronostic radiomique » (RPV) indiquant la gravité de la maladie, allant de légère à sévère. Enfin, les chercheurs ont comparé ces résultats avec ceux des tests sanguins et les scores de pronostic actuels.

Les résultats de cette étude ont été publiés le 15 février 2019 dans la revue Nature Communications.

Résultats : la haute précision de l’IA

• Le logiciel d’intelligence artificielle a été 4 fois plus précis pour prédire le risque de décès que les méthodes standard.
• 5 % des patientes avec un score élevé avaient un taux de survie inférieur à 2 ans.
• Un score élevé était également associé à une résistance à la chimiothérapie et à des résultats médiocres à la chirurgie et/ou le traitement médicamenteux.

Un meilleur ciblage du traitement

Ces résultats suggèrent que le score dit « RPV » pourrait être un biomarqueur potentiel afin de prédire comment les patients réagissent aux traitements. Cette signature radiomique a l’avantage d’être non invasive et facilement accessible. Le modèle proposé repose en effet uniquement sur les informations issues du scanner pré-opératoire de routine.

Le Pr Eric O. Aboagye, co-auteur de l’étude, suggère qu’en outre, cette technologie pourrait servir à identifier les patientes peu susceptibles de répondre aux traitements standards, ce qui permettrait aux médecins de leur proposer des traitements alternatifs. Les chercheurs ont annoncé leur intention de mener une étude plus vaste afin d’évaluer la capacité de leur logiciel à prédire avec précision les résultats de la chirurgie et du traitement médicamenteux.

Ping An Good Doctor, la principale plateforme de santé chinoise, a amélioré la capacité de son supercalculateur, a annoncé le groupe courant février 2019. Le système dispose d’un processeur parallèle capable de traiter d’énormes quantités de données en peu de temps, améliorant ainsi l’efficacité de sa R&D en intelligence artificielle (AI) et accélérant la vitesse des applications basées sur l’IA.
À l’avenir, le groupe utilisera l’outil pour développer davantage d’applications de technologie médicale basées sur l’IA et maintenir ses capacités d’innovation.

En utilisant une plateforme de calcul intensif, Ping An Good Doctor peut améliorer l’efficacité du traitement des images médicales et d’autres informations mais aussi vérifier et optimiser des modèles de plus en plus complexes afin de fournir un système d’apprentissage en profondeur (deep learning) ultra rapide.

Un supercalculateur pour traiter de manière plus efficace les big data

Ping An Good Doctor a accumulé une grande quantité de big data dans le secteur de la santé.

Avec la croissance rapide du nombre d’utilisateurs de son service en ligne, les systèmes d’intelligence artificielle (IA) du groupe doivent effectuer un apprentissage approfondi (deep learning) dans le cadre du traitement de l’image, de la voix et du langage naturel, afin de fournir des services médicaux et de santé diversifiés.

Ainsi, la puissance de calcul initiale avait du mal à répondre aux exigences en matière de traitement des données. L’amélioration de la performance du supercalculateur fournit un support technique de base à l’équipe de R&D en IA pour un développement rapide et un fonctionnement efficace.

Étudier les informations pertinentes ne prend que quelques jours au lieu de plusieurs semaines

« Après l’expansion, l’efficacité de la R&D de notre équipe d’intelligence artificielle va doubler, a déclaré un porte-parole de Ping An Good Doctor (source : Enterpriseinnovation.net). Dans l’ancien système, le modèle d’intelligence artificielle nécessitait plusieurs semaines pour étudier les informations pertinentes, mais cette opération peut maintenant être réalisée en quelques jours. »

Un système qui renforce la sécurité des données

En ce qui concerne la sécurité des données, « une puissante plateforme de calcul intensif peut empêcher le vol de données par des tiers, explique le porte-parole. Avec la multiplication des activités clés et des données importantes stockées par le [supercalculateur], Ping An Good Doctor peut désormais mieux gérer et exploiter cette plat-forme unifiée pour éviter tout problème. »

Actuellement, la société fournit aux utilisateurs des services médicaux et de santé complets par l’intermédiaire de sa propre équipe médicale assistée par la technologie d’intelligence artificielle.

L’efficacité et la précision de ses consultations en ligne se sont considérablement améliorées grâce à la technologie d’intelligence artificielle et à l’analyse de données massives, réduisant ainsi le coût unitaire de la consultation en ligne, commente l’entreprise.

La Fondation Inria et le fonds de dotation MSD Avenir du laboratoire pharmaceutique MSD France signent un partenariat pour soutenir Pimiento, un projet de recherche portant sur le cancer du poumon non à petites cellules (NSCLC – Non Small Cell Carcinoma), le plus fréquent des cancers du poumon. MSD soutient à hauteur de près de 900 000 euros l’initiative, qui sera menée par l’équipe-projet MONC, pour « modélisation en oncologie » (regroupe Inria Bordeaux – Sud-Ouest, le CNRS, et Bordeaux INP), et l’entreprise Sophia Genetics, précise la fondation dans un communiqué publié le 6 février 2019.

Les travaux vise à améliorer le suivi des patients et à définir les stratégies thérapeutiques les plus adaptées en recourant au numérique, plus précisément en développant de nouveaux modèles mathématiques et en exploitant le machine learning (apprentissage automatique), une forme d’intelligence artificielle (IA) permettant à un système informatique « d’apprendre » sans avoir été programmé.

Plusieurs partenaires sont impliqués dans le cadre de ce projet, parmi lesquels :
• les centres d’études cliniques, qui seront responsables de la collecte des images, des dossiers cliniques et des résultats cliniques pour chaque pathologie ;
• Sophia Genetics, qui mettra à disposition sa plateforme logicielle SOPHiA pour faciliter l’analyse des données et l’incorporation des résultats issues de la génomique et de la radiomique.

Objectif : intégrer l’ensemble des données recueillies en routine clinique

L’équipe en charge du projet Pimiento associe modélisation mathématique et intelligence dans l’optique d’intégrer l’ensemble des données recueillies en routine clinique afin d’aider les professionnels de santé dans le diagnostic et le suivi du cancer du poumon non à petites cellules.

Dans le cadre de ces travaux seront conçus des algorithmes qui apporteront une vision de la maladie et de son évolution ainsi que des alertes ou des recommandations personnalisées dans le suivi des patients.

« L’utilisation de modèles mathématiques a d’ores et déjà fait l’objet de travaux de recherche de pointe prometteurs pour évaluer précocement l’efficacité de traitements et obtenir des pronostics spécifiques aux patientes et patients, indique la fondation Inria dans son communiqué. L’équipe de recherche (…) Pimiento a développé une expertise reconnue sur le sujet. Cette dernière vise désormais à aller plus loin pour étendre et améliorer ces approches, notamment en s’appuyant sur des cohortes de patientes et patients plus larges. La modélisation permettra de décrire beaucoup plus précisément dans le temps l’évolution de la tumeur pour un patient donné pour adapter la prise en charge thérapeutique et aller plus loin dans un suivi personnalisé. »

« Une communauté d’utilisateurs [pour] une amélioration continue des analyses »

« Le projet Pimiento est une occasion unique de coupler le savoir-faire opérationnel de Sophia Genetics, leader mondial de la médecine basée sur les données, et la capacité de recherche d’Inria, commente Thierry Colin, senior vice president radiomics de Sophia Genetics. En analysant plusieurs sources de données cliniques, nous proposons des outils d’aide à la décision qui sont utilisés par les médecins. En parallèle, cela crée une communauté d’utilisateurs et utilisatrices qui permet une amélioration continue des analyses et un partage d’expertise. En s’appuyant sur les centaines d’hôpitaux déjà utilisateurs de la plateforme SOPHiA, nous accélérerons l’adoption et la démocratisation de la médecine basée sur les données pour une meilleure prise en charge des patientes et patients. »

Une équipe de chercheurs du Dartmouth College a mis au point une méthode d’apprentissage automatique permettant de prédire le risque d’évolution de l’hyperplasie canalaire atypique vers un cancer. Grâce à cette technique de machine learning (apprentissage automatique), 16 % des femmes porteuses de cette lésion n’ont pas subi de chirurgies inutiles pour la retirer. Les résultats de leur étude* ont été publiés dans le dernier numéro de la revue JCO Clinical Cancer Informatics.

Le machine learning pour prédire le risque de cancer

L’hyperplasie canalaire atypique se définit par une hausse du nombre de cellules anormales dans les canaux mammaires. Les femmes qui en sont atteintes présentent un risque majoré de développer un cancer du sein. Ce risque est multiplié par 4 ou 5.

Actuellement, lorsqu’une hyperplasie canalaire atypique est détectée lors d’une mammographie et identifiée à l’aide d’une biopsie, l’ablation chirurgicale est systématiquement recommandée. Cependant, seulement 20 à 30 % des hyperplasies canalaires atypiques évoluent vers un cancer. Cela signifie que 70 à 80 % des femmes subissent une intervention chirurgicale coûteuse et invasive pour une lésion bénigne.

6 techniques d’apprentissage automatique évaluées

Une équipe de chercheurs du Darmouth College, une université privée américaine, a donc mis au point et évalué six méthodes d’apprentissage automatique permettant de prédire la progression de l’hyperplasie canalaire atypique vers le cancer. Un certain nombre de facteurs figurant dans les dossiers médicaux, notamment l’âge, la taille de la lésion, le nombre de biopsies et les antécédents de cancer du sein, ont été associés à l’amélioration de la prédiction du risque.

L’étude reposait sur une cohorte de 124 femmes âgées de 30 à 83 ans chez qui une hyperplasie canalaire atypique avait été détectée et qui avait subi une exérèse chirurgicale entre 2011 et 2017. Pas moins de 32 variables cliniques permettant de décrire les lésions ont été intégrées.

Les résultats de leur étude* ont été publiés dans le dernier numéro de la revue JCO Clinical Cancer Informatics.

Résultats : 16% de chirurgies inutiles évitées

• Sur les 6 méthodes d’apprentissage automatique testés, c’est l’algorithme « gradient boosting trees » qui s’est révélé le plus précis, suivi de la forêt d’arbres décisionnels.
• Le modèle d’apprentissage automatique a pu identifier 98 % des cas malins avant l’opération.
• 16 % des interventions chirurgicales inutiles sur des lésions bénignes auraient pu être évitées, soit une sensibilité de 87 % à une spécificité de 45 %.

Ces travaux ont également permis de confirmer que l’âge du patient au moment de la biopsie était le facteur prédictif le plus important du statut d’amélioration. La taille de la lésion joue le deuxième rôle prédictif en importance.

Les résultats doivent cependant être nuancés puisque l’étude n’a porté que sur les lésions mammaires à haut risque d’hyperplasie canalaire atypique. De plus, elle n’est basée que sur les données d’une seule institution académique et une validation externe supplémentaire est nécessaire pour montrer la généralisation des résultats.

Une médecine personnalisée du cancer du sein

Les auteurs de ces travaux estiment malgré tout que leur modèle « peut potentiellement aider les patients et les cliniciens à choisir une approche de gestion alternative dans les cas à faible risque. À l’ère de la médecine personnalisée, de tels modèles pourraient être souhaitables pour les patientes qui privilégient une approche décisionnelle partagée avec la possibilité de choisir entre une excision chirurgicale par certitude et une surveillance pour éviter les coûts, le stress et les effets secondaires potentiels chez les femmes à faible risque », commentent-ils.

En utilisant le même modèle, si la sensibilité de la cible est réduite de 98 % à 87 %, ce sont alors 45 % des lésions qui pourraient être seulement surveillées.

À l’avenir, les chercheurs vont utiliser leur technique de machine learning pour d’autres lésions mammaires à haut risque, telles que la néoplasie lobulaire, les papillomes et les cicatrices radiales.

Le département américain de la santé et des services sociaux (HHS) a récemment proposé une nouvelle réglementation* pour permettre un accès, un échange et une utilisation des dossiers médicaux numériques (EHI) de manière transparente et sécurisée.
Cette dernière vise à accroître l’innovation et la concurrence en donnant aux patients et à leurs prestataires de soins un accès sécurisé à de l’information sanitaire et à de nouveaux outils, offrant ainsi plus de choix aux patients en matière d’offre de soins et de traitements, explique dans un communiqué publié le 11 février 2019 le Bureau du coordonnateur national pour les technologies de l’information sur la santé américain (ONC), qui participe actuellement à la conférence HIMSS 2019, à laquelle H&TI assiste.

À travers cette mesure, le HHS appelle plus précisément les professionnels de la santé à adopter des interfaces de programmation d’applications (API) standardisées, qui permettront aux utilisateurs d’accéder facilement à l’IEH structuré à l’aide d’applications mobiles. La mesure proposée met l’accent sur la volonté de donner au patient la capacité d’accéder gratuitement à l’ensemble de ses informations de santé.

Le texte inclus par ailleurs les cas pour lesquels un blocage des informations est accepté, présentés dans la loi 21st Century Cures Act**. 7 exceptions sont néanmoins suggérées à cette règle.

7 exceptions à la disposition relative au blocage d’informations

Prévenir les dommages

Promouvoir la confidentialité du dossier de santé électronique (EHI)

Promouvoir la sécurité de l’EHI

Recouvrir les coûts raisonnablement engagés

Répondre aux demandes infaisables

Octroyer des licences pour des éléments d’interopérabilité à des conditions raisonnables et non discriminatoires

Maintenir et améliorer des performances informatiques de santé

L’intelligence artificielle (IA) peut-elle aider à repousser les frontières de l’incurable ? Telle était la problématique posée lors d’une table ronde transdisciplinaire composé d’un médecin, de chercheurs, industriels, d’un mathématicien et d’un philosophe, qui a été organisée lors des 7èmes Rencontres de l’Institut national du cancer (Inca), qui se sont tenues le 4 février 2019 à l’occasion de la journée mondiale contre le cancer.

En cancérologie, la recherche est dominée par la biologie. Les mathématiques et les algorithmes servent à valider des théories biologiques. L’IA essaie de changer le paradigme. « Nous avons les données d’entrée. Nous avons la réponse des patients. Peut-on trouver nous-mêmes les caractéristiques biologiques qui vont permettre de faire évoluer la recherche ? » questionne Nikos Paragios, responsable des formations en intelligence à CentraleSupelec, l’un des intervenants de la conférence.

IA : une efficacité dans le dépistage et le diagnostic

Le premier exemple de l’apport de l’intelligence artificielle (IA) dans le domaine de l’oncologie est celui du dépistage. En ce qui concerne le dépistage du mélanome, par exemple, l’IA est efficace car il est possible d’alimenter le système avec « l’expérience de nombreux dermatologues. La machine a vu plus de lésions qu’aucun médecin ne pourra le faire », explique Eric Deutsch, oncologue-radiothérapeute à l’Institut Gustave Roussy, avant de citer une étude montrant cette supériorité d’analyse brute. « Les médecins ont identifié 87 % des mélanomes et la machine 95 % » dans le cadre de ces travaux.

Une fiabilité qui n’atteindra cependant pas les 100 %

Une efficacité temporisée par Marc Bonneville, président de l’Alliance pour la recherche et l’innovation des industries de santé, au regard de la quantité de données à fournir pour obtenir une fiabilité, qui ne sera jamais à 100 %. « D’autant que la machine ne remplacera jamais l’œil du médecin qui verra aussi des signes voisins significatifs alors que [l’intelligence artificielle] est formatée pour voir une cible précise. »

Enjeu : aboutir à une meilleure caractérisation des patients

Au-delà du dépistage et du diagnostic par l’image, l’analyse croisée avec une série de données peut prédire la probabilité de réponse à des traitements, comme l’immunothérapie, et donc la survie du patient.

« À travers cet exemple, ne pourrions aboutir à des standards et établir des prises en charge personnalisée grâce à des prédiction individuelles, plus fines », ajoute Nikos Paragios.

De même, l’IA améliore le contrôle de l’aléa thérapeutique, notamment lorsqu’elle est couplée avec les robots chirurgicaux.

L’IA devrait faire émerger des nouvelles stratégies thérapeutiques

Sans aboutir directement à de nouveaux traitements, l’intelligence artificielle devrait faire émerger des nouvelles stratégies thérapeutiques. « En immunothérapie par exemple, les résultats sont spectaculaires mais nous ne comprenons pas très bien quand ça marche ou pas, » commente Nikos Paragios.

C’est donc la meilleure caractérisation des patients, avec une signature génomique et la fragmentation du spectre de la maladie, qui constitue l’enjeu de l’IA pour identifier des sous-types de populations et anticiper ceux qui seront répondeurs ou non à un traitement.

Un atout règlementaire et médico-économique

Alors que la connaissance scientifique a segmenté les cancers en de nombreuses sous-couches et cibles potentielles de molécules innovantes et donc onéreuse, l’intelligence artificielle est aussi perçue comme un atout pour maîtriser ces coûts.

Selon Marc Bonneville, « elle va s’améliorer et elle aura un gros impact dans le développement pharmaceutique ainsi que dans la modélisation des modes d’actions des molécules et des modèles précliniques. Les outils de modélisation sont encore imparfaits mais évoluent pour gagner en fiabilité. »

Dans l’industrie pharmaceutique, « des milliards de dollars ont été dépensés en recherche, notamment en essais cliniques, poursuit-il. Sans en supprimer l’intérêt, cette modélisation pourrait en réduire la durée et donc les coûts en faisant appel éventuellement à des groupes contrôles de patients qui ne sont pas forcément intégrés dans des essais directement. »

Une prudence confiante

Tous les intervenants se rejoignent sur l’idée que l’IA doit être un outil d’aide, d’accompagnement mais pas de remplacement. C’est ce que le philosophe Eric Fiat appelle la nécessité d’une « prudence confiante », alors qu’il y a deux camps : « les technophobes et les technophiles ».

« Si l’IA peut sauver des vies, nous nous en privons pas, mais n’en abusons pas », indique-t-il. La question est de savoir dans quel contexte sont récupérées et utilisées ces données. Il y a une dichotomie entre la nécessité d’obtenir des données dans une certaine flexibilité pour permettre à la recherche d’avancer et la nécessaire sécurisation de l’utilisation des données, dont le patient reste propriétaire.

Le Health Data Hub devrait apporter une réponse à ce dilemme.

Enfin, dans cette quête continue de l’amélioration des soins, il ne faut pas oublier l’individu. Selon Eric Fiat, « la santé est une chose fondamentale mais n’est pas forcément le bien suprême qui est le bonheur. Un bonheur qui ne se réduit pas à la santé et qui n’est pas incompatible avec elle. Au nom de la santé, on ne peut sacrifier le besoin de pudeur de l’individu. »

La Food and Drug Administration (FDA) a attribué la désignation « fast track » au développement du PXT3003 pour le traitement de patients atteints de la maladie de Charcot-Marie-Tooth de type 1A (CMT1A). La solution a été mise au point par la société biopharmaceutique française Pharnext, qui travaille sur des combinaisons de médicaments innovants en se basant sur les big data génomiques et l’intelligence artificielle (IA).

« La Pleodrug PXT3003 la plus avancée de Pharnext est une nouvelle combinaison synergique fixe à faible dose de baclofen, naltrexone et sorbitol bénéficiant du statut de « médicament orphelin » en Europe et aux États-Unis », précise l’entreprise dans un communiqué publié le 4 février 2019. Elle est issue de sa plateforme de R&D appelée Pleotherapy.

« La CMT1A est une neuropathie rare et chronique qui affecte au moins 125 00 personnes aux États-Unis et en Europe. Il n’existe actuellement aucun traitement approuvé pour cette maladie », indique le Pr Daniel Cohen, fondateur et directeur général de Pharnext.
Le responsable ajoute que l’entreprise est encore en relation avec la FDA dans l’optique de déposer « rapidement » une NDA (New Drug Application) pour le PXT3003 « afin de permettre aux patients de bénéficier de ce traitement dans de meilleurs délais ».

Les études cliniques portant PXT3003 ont été concluantes

PXT3003 a montré des résultats positifs lors d’études précliniques et de phase 2 pour le traitement de la CMT1A. Ces résultats ont été publiés dans Orphanet Journal of Rare Diseases (OJRD) en décembre 2014.

Les études précliniques ont montré que :

• PXT3003 inhibe la surexpression du gène PMP22 ;
• améliore la myélinisation des nerfs périphériques et les troubles cliniques moteurs et sensoriels.

PXT3003 « s’est avéré sûr et bien toléré »

Dans l’essai clinique de phase 2 mené sur 80 patients adultes atteints de CMT1A, PXT3003 « s’est avéré sûr et bien toléré », note Pharnext.

« PXT3003 a également montré des signes d’amélioration de plusieurs critères d’efficacité meilleurs qu’une stabilisation clinique, notamment sur l’échelle ONLS », complète la société.

Une étude pivot de phase 3 qui a montré que PXT3003 avait atteint le critère principal d’évaluation prédéfini par la FDA et l’EMA

• En décembre 2015, Pharnext a initié PLEO-CMT, une étude pivot de phase 3 en double aveugle de 15 mois afin d’évaluer l’efficacité et l’innocuité du PXT3003 chez 323 patients CMT1A âgés de 16 ans à 65 ans.
• En octobre 2018, il a été annoncé que PXT3003 avait atteint le critère principal d’évaluation prédéfini par la FDA et l’Agence européenne des médicaments (EMA), avec une amélioration cliniquement significative de l’ONLS (Overall Neuropathy Limitation Scale) par rapport au placebo (p=0,008).
• En mars 2017, « Pharnext a initié une étude d’extension de 9 mois en ouvert, PLEO-CMT-FU, actuellement en cours, indique l’entreprise. PLEO-CMT-FU, conçue pour évaluer l’innocuité et la tolérance à long terme de PXT3003, a inclu les patients ayant terminé l’étude PLEO-CMT. »

Le CHU de Rennes a mis en place le logiciel OnePulse de Lindacare pour rationaliser son approche clinique et améliorer la surveillance cardiaque à distance des patients porteurs d’appareils implantables.

OnePulse est une plateforme qui rassemble les données des dispositifs électroniques implantables cardiaques de tous les fabricants et qui permet ainsi d’améliorer la gestion opérationnelle d’un nombre important de patients, explique son fabricant dans un communiqué publié en janvier 2019. Son tableau de bord intuitif combine et standardise les transmissions afin d’automatiser efficacement le flux de travail et d’intégrer les informations recueillies de manière transparente au dossier médical numérique des patients.

Le fait de compter l’établissement rennais parmi ses clients contribue « à renforcer [la] position » de Lindacare, « non seulement sur le marché français mais également au niveau mondial« , indique Shahram Sharif, fondateur et P.-D.G. de Lindacare. La société, dont le siège social est situé en Belgique, est présente en Europe mais aussi aux États-Unis et « prévoit d’élargir considérablement son équipe dans les deux régions en 2019 », précise-t-elle dans le communiqué.

« Le système de triage OnePulse nous permet de gérer plus facilement les alertes de nos patients. Nous sommes en mesure de traiter d’abord le patient le plus à risque. Le programme aide à maximiser notre productivité « , a déclaré le Pr Christophe Leclercq du département de cardiologie et maladies vasculaires du CHU de Rennes (communiqué).