Incubateurs

Smart glasses et smart watches, applications mobiles, logiciels et autres aides techniques innovantes permettent actuellement d’améliorer le quotidien des personnes souffrant de déficience visuelle voire de cécité totale d’être : lecture synthétisée de textes, descriptions d’images, traduction immédiate en braille, etc.

De grandes entreprises comme Samsung et Microsoft, tout comme des start-ups telles que OrCam, se penchent sur le développement de solutions pratiques pour accompagner les 253 millions de personnes atteintes d’un handicap visuel dans le monde (36 millions d’entre elles sont aveugles et 217 millions présentent une déficience visuelle modérée à sévère). Selon une étude publiée par la revue The Lancet Global Health (2017), le nombre de personnes aveugles devrait tripler d’ici à 2050, passant ainsi à 115 millions, et celui de personnes atteintes d’une déficience visuelle devrait atteindre les 588 millions. Les principales raisons invoquées par les auteurs de ces travaux sont la croissance démographique et le vieillissement de la population.

À l’occasion de la Journée nationale des aveugles et malvoyants, le 4 octobre, et de la Journée mondiale du handicap, le 9 octobre, Health & Tech Intelligence fait le point sur les dispositifs innovants mis récemment sur le marché et vous propose la synthèse des caractéristiques de dispositifs parmi les plus porteurs.

À noter notamment que Pixium Vision, qui développe des systèmes de vision bionique, a annoncé en juillet 2019 les résultats positifs à 12 mois de la première étude de faisabilité de son système Prima chez des patients atteints de forme sèche de dégénérescence maculaire liée à l’âge (DMLA).

La présentation détaillée des dispositifs est disponible dans la rubrique « Data », accessible via ce lien.

Des spécialistes français de la transplantation rénale de l’AP-HP ont coordonné des recherches sur un algorithme universel capable de prédire les risques d’échec d’une allogreffe de rein. Ce score de prédiction de risque, nommé « iBox », est précis et facilement applicable. Grâce à cet algorithme, la surveillance des patients greffés peut être amélioré et des nouveaux traitements immunosuppresseurs pourraient être développés. Les résultats de cette étude* ont été publiés le 17 septembre 2019 dans le British Medical Journal (BMJ).

Transplantation rénale : un rejet trop fréquent

L’insuffisance rénale au stade terminal touche environ 7,4 millions de personnes dans le monde. Selon les données de l’Organisation mondiale de la santé, plus de 1 500 000 personnes vivent avec des reins greffés et 80 000 nouveaux reins sont transplantés chaque année. Et le taux de rejet tardif de greffons suite à une transplantation rénale est encore aussi élevé qu’en 1999.

Bien que l’échec d’une allogreffe de rein représente une cause importante d’insuffisance rénale au stade terminal, des systèmes de pronostic robustes et largement validés de risque d’échec fait toujours défaut. Les tentatives d’élaboration de scores de risque d’échec reposant sur plusieurs paramètres se sont heurtés à plusieurs obstacles : des échantillons de taille réduite, des détails phénotypiques limités dans les registres, l’absence de suivi systématique de la réponse immunitaire et l’absence d’inclusion de facteurs pronostiques clés.

Une recherche de haut niveau pilotée par des Français

Une équipe internationale de chercheurs, coordonnée par deux centres majeurs de transplantation rénale de l’AP-HP (l’hôpital Necker-Enfants malades et l’hôpital Saint-Louis) et de l’Université de Paris, a développé, au sein du Centre d’expertise de la transplantation d’organe de l’unité Inserm U970, un score de stratification du risque dans une cohorte prospective multicentrique de transplantés rénaux pour :

• identifier les patients à haut risque de perte future d’allogreffe ;
• valider le score à grande échelle au sein de cohortes indépendantes géographiquement distinctes ayant différentes politiques d’allocation et différents types de gestion de la transplantation ;
• tester la performance du score de risque pour la prédiction de l’échec de la greffe dans des essais contrôlés randomisés couvrant différents scénarios cliniques de greffe.

Ces travaux ont été menés en collaboration avec 8 centres de transplantation en France (Suresnes, hôpital Foch, Toulouse, Nantes et Lyon), en Belgique (Louvain) et aux États-Unis (John Hopkins Medical Institute, Mayo Clinic & University of Virginia).

Un algorithme reposant sur 8 paramètres

Une cohorte de plus de 7 500 patients, issus d’Europe et d’Amérique du Nord, a été constituée, avec tous leurs paramètres cliniques, histologiques, immunologiques et fonctionnels. 32 facteurs pronostiques candidats à la survie des allogreffes rénales ont été évalués. Et les auteurs de ces travaux ont retenu 8 d’entre eux associés au risque de perte de greffon dans les 10 ans suivant la greffe.

À partir de là, ils ont développé un algorithme de prédiction du risque du greffon, nommé « iBox », pour chaque patient, et construit une interface en ligne prête à l’utilisation permettant au clinicien de fournir des estimations de survie d’allogreffes à ses patients. Cet algorithme a été testé et validé sur 3 557 patients recrutés en France, en Belgique et aux États-Unis.

Les résultats de cette étude ont été publiés le 17 septembre 2019 dans le British Medical Journal (BMJ).

Résultats : une prédiction très précise du risque d’échec

• Les 8 paramètres pronostiques identifiés lors de l’analyse primaire restaient associés de manière indépendante à la survie de l’allogreffe.
• Parmi les 7557 transplantés rénaux inclus, 1 067 allogreffes (14,1 %) ont échoué après une période médiane de suivi post-greffe de 7 ans.
• iBox a été plus performant que les scores de risque antérieur.
• La précision du score de risque iBox dans la prévision de la perte d’allogreffe à long terme a été confirmée dans trois essais contrôlés randomisés.

Cette toute première étude internationale sur la prévision du risque chez les greffés de rein est remarquable parce qu’elle a été menée au sein de plusieurs grandes populations indépendantes et dans le cadre d’essais cliniques contrôlés randomisés.

« Nous avons confirmé la généralisabilité du score de prédiction du risque iBox en montrant sa validité externe dans six cohortes géographiquement distinctes recrutées en Europe et aux États-Unis avec des systèmes d’allocation, des caractéristiques de patients et des pratiques de gestion distincts, écrivent les auteurs de l’étude. Le score de prédiction du risque iBox a également montré son exactitude lorsqu’il a été mesuré à différents moments après la transplantation. »

Un outil testé dans la transplantation cardiaque

« En optimisant la prise de décision médicale, l’utilisation d’iBox pourrait avoir un impact important non seulement sur la qualité de vie de chaque patient, mais aussi sur la survie à long terme des greffons, », explique le Pr Alexandre Loupy, néphrologue à l’hôpital Necker-Enfants malades AP-HP et directeur du Centre d’expertise de la transplantation d’organe au sein de l’unité Inserm 970. Cet algorithme, utilisé en routine pourrait avoir une autre vertu : prédire le devenir à long terme d’un greffon de manière fiable pourrait aussi réduire la durée des études et ainsi relancer les essais cliniques en transplantation en réduisant significativement leur coût.

Le Pr Alexandre Loupy indique également que « cet outil, qui sera déployé fin 2019 dans deux centres pilotes de l’AP-HP, illustre parfaitement le potentiel de l’utilisation d’algorithmes et de l’intelligence artificielle dans le domaine des transplantations d’organes ». Et pas seulement du rein. iBox est en cours de validation dans la cadre de la greffe de cœur.

« La fraude est diverse et mouvante[. Elle] exige donc une adaptation constante des moyens d’action. » C’est ce qu’affirme la Caisse nationale de l’Assurance maladie (Cnam) dans son Bilan 2018 des actions de lutte contre la fraude et actions de contrôles diffusé le 1er octobre 2019, soulignant que « les techniques et les dispositifs » anti-fraude qu’elle met en œuvre « évoluent sans cesse ».

La Cnam souligne notamment qu’elle :     
      
• dispose de plusieurs outils, comme Profileur, un logiciel d’aide à la détection des activités atypiques des professionnels de santé généralisé en 2014 ;
• a étendu en 2019 à l’ensemble du territoire un modèle de data mining (exploration de données), développé en 2017 « afin de mieux identifier la fraude à l’obtention des droits », et ce après une expérimentation en 2018 dans 16 caisses du réseau ;
 • lance la construction en 2019-2020 d’un nouveau modèle de data mining par « apprentissage supervisé », qui portera sur la thématique des dispositifs médicaux : cette approche repose sur la création de modèles à partir de cas de fraudes identifiés et de cas de non fraudes , ce qui « permet de mesurer a priori (avant investigation) la probabilité de fraude d’un acteur » ;
• a engagé (en février 2018) un partenariat de 3 ans avec l’École polytechnique et l’équipe data science d’Emmanuel Bacry sur « un big data concernant les médicaments », qui ambitionne de « croiser les données en recherchant les cas de fraudes sans critère prédéfini initialement, la base [du Sniiram] étant analysée dans son intégralité ».

« La lutte contre la fraude en 2018 a permis de détecter et de stopper 261,2 millions d’euros de préjudices », indique l’Assurance Maladie, qui constate une augmentation de plus de 50 % depuis 2009 de ces montants. L’amélioration des techniques de détection de la fraude par big data et data mining était prévue par la Convention d’objectifs et de gestion (COG) 2018-2022 signée avec l’État. 

2 barrages contre la fraude

La Cnam affirme dans son bilan que les demandes de prises en charge des frais de santé font l’objet de vérifications systématiques, développées pour filtrer les anomalies de facturation en fonction de leur niveau de risque et de la nécessité d’une intervention humaine.

• Le premier barrage permettant de prévenir les risques d’erreurs, mais également les risques de fraude, est composé de contrôles « largement automatisés » au sein de systèmes d’informations qui traitent « des flux de données colossaux », indique l’Assurance maladie. « L’intégralité des factures des frais de santé – près d’1,4 milliard par an – est passée au crible » d’une série de vérifications portant notamment sur les droits des assurés, l’activité du professionnel de santé, la correcte tarification des actes, ajoute-t-elle. « Environ 13 millions de factures, jugées non conformes, sont ainsi rejetées chaque année par les systèmes de contrôle intégrés au sein des applications informatiques de l’Assurance maladie », déclare la Caisse.
• Un second barrage porte sur des contrôles spécifiques, « déclenchés à partir d’analyses des risques financiers » intégrant des paramètres comme la cohérence de la domiciliation bancaire ou l’absence de double paiement, note la Cnam. Le résultat de ces deux niveaux de contrôles de conformité est évalué à 230 millions d’euros (indus, c’est-à-dire des versements erronés ou dépenses évitées).

De plus en plus d’études indiquent que la précision diagnostique des algorithmes est équivalente ou supérieure à celle des humains. Cependant, elles comportent des biais, leurs résultats sont donc difficilement généralisables. Selon une étude* publiée le 25 septembre 2019 dans la revue The Lancet Digital Health, sur 20 000 publications passées en revue, moins de 1 % reposaient sur une méthodologie solide.

Une profusion d’études scientifiques sur l’IA

Le tout premier article avec le terme « intelligence artificielle », indexé dans la base Medline, remonte à 1951. Actuellement, plus de 16 000 articles paraissent chaque année sur l’IA, rien que dans les revues scientifiques. Certaines d’entre elles suggèrent que les capacités diagnostiques du deep learning (apprentissage automatique) seraient supérieures à celles des humains, suscitant de fait un grand enthousiasme. Ces travaux prédisent même la disparition de disciplines entières ou la création de nouveaux rôles pour les médecins, tels que des « spécialistes de l’information ».

Comme l’imagerie médicale est l’une des sources les plus précieuses d’informations pour établir un diagnostic, et que les ressources humaines manquent pour interpréter ces images, le diagnostic automatisé par le biais de l’IA apparaît comme une solution.

Les capacités de diagnostic de l’IA sur imagerie passées au crible

La Food and Drug Administration (FDA) américaine a aujourd’hui approuvé plus de 30 algorithmes d’IA. En prévision de la mise en place de tels outils de diagnostic dans la pratique clinique, une équipe internationale de chercheurs a souhaité examiner systématiquement l’ensemble des preuves étayant le diagnostic fondé sur l’IA.

Les auteurs de l’étude ont donc identifié près de 32 000 études portant sur le diagnostic à partir d’images médicales via l’intelligence artificielle. Seulement 82 d’entre elles ont été incluses.

Les résultats de leurs travaux ont été publiés le 25 septembre 2019 dans The Lancet Digital Health.

Résultats : une faiblesse méthodologique

• 1 % des études reposaient sur une méthodologie solide avec des résultats confirmés par des experts indépendants.
• 25 études seulement avaient validé leur modèle sur un autre échantillon.
• 14 études seulement avaient comparé les résultats obtenus par les modèles d’apprentissage en profondeur et les professionnels de santé sur le même échantillon.
• la performance diagnostique des modèles d’apprentissage en profondeur était globalement équivalente à celle des professionnels de la santé.

Cette revue est la première, publiée à ce jour, à comparer systématiquement l’exactitude diagnostique de tous les modèles d’apprentissage en profondeur par rapport aux professionnels de la santé utilisant l’imagerie médicale.

« Bien que cette estimation semble corroborer l’affirmation selon laquelle les algorithmes d’apprentissage profond sont équivalents en termes de précision au niveau du clinicien, il convient de prendre en compte plusieurs déficiences méthodologiques communes à la plupart des études incluses », écrivent les auteurs de cette revue systématique. Le fait que très peu de travaux faisaient état de comparaisons avec des professionnels de la santé utilisant le même ensemble de données de test, il est prématuré de généraliser ces résultats.

De plus, « très peu d’études prospectives ont été réalisées dans des environnements cliniques réels, précisent les chercheurs, ajoutent-ils. La plupart des études étaient rétrospectives, in silico et basées sur des ensembles de données précédemment assemblés ».

Comparer homme et IA est « hasardeux »

« On peut peut-être conclure que, d’après le maigre corpus disponible de travaux comparant l’IA aux médecins, l’IA ne fait pas moins bien que les humains. Mais les données sont limitées et il est encore trop tôt pour le dire », juge Tessa Cook, professeure assistante de radiologie à l’université de Pennsylvanie (Etats-Unis), dans un commentaire indépendant sur l’étude. « Comparer les deux est hasardeux », ajoute-t-elle, rappelant que les médecins travaillent dans le vrai monde, où les données médicales sont « brouillonnes, difficiles à cerner et imparfaites ».

Les chercheurs en concluent qu’il existe « une grande incertitude quant aux estimations de la performance diagnostique fournies dans notre méta-analyse exploratoire et nous devons souligner que des estimations fiables du niveau de performance ne peuvent être obtenues que par des études bien conçues et bien exécutées qui minimisent les biais et transparentes ». Et « parmi ces quelques études, nous avons tout de même constaté que l’apprentissage en profondeur pouvait en effet détecter des maladies allant du cancer aux maladies des yeux aussi précisément que les professionnels de la santé. Mais il est important de noter que l’IA n’a pas largement surpassé les diagnostics humains ».

Des chercheurs de la Charité – Universitätsmedizin Berlin et du consortium allemand contre le cancer (DKTK) ont mis au point un algorithme d’apprentissage automatique (machine learning) capable de distinguer les métastases pulmonaires d’un cancer de la tête et du cou d’un cancer primitif du poumon. Cette méthode d’intelligence artificielle (IA) repose sur l’étude des modifications de l’ADN. Cette découverte, présentée dans une étude* publiée le 11 septembre 2019 dans Science Translational Medicine, est très importante dans la mesure où le traitement de ces deux types de tumeurs n’est pas du tout le même.

Tumeurs primitives ou métastases : une différence cruciale

Les cancers de la tête et du cou représentent environ 4 % de tous les cancers dans le monde. Ces tumeurs peu connues peuvent affecter le larynx, le pharynx, la bouche, les lèvres, la langue, les amygdales, les sinus ou les glandes salivaires. Et ce cancer a tendance à métastaser au poumon.

Cependant, dans la grande majorité des cas, il est impossible de déterminer s’il s’agit de métastases pulmonaires du cancer de la tête et du cou ou d’un second cancer primitif, c’est-à-dire d’un cancer primaire du poumon. Or, cette distinction est extrêmement importante dans le choix du traitement. En effet, si la chirurgie peut être indiquée dans les cancers du poumon localisés, elle risque de diminuer les chances de survie en cas de cancers métastatiques de la tête et du cou. Le protocole de soins repose alors sur de la chimiothérapie associée à de la radiothérapie.

Quand l’IA repère des altérations chimiques de l’ADN

Actuellement, les techniques utilisées pour distinguer ces deux types de tumeurs cancéreuses reposent sur l’analyse de la microstructure du cancer et la détection de protéines caractéristiques dans les tissus.

Cependant, ces tests ne sont généralement pas concluants en raison de trop grandes similitudes entre les cancers de la tête et du cou et les cancers du poumon à cet égard. « Afin de résoudre ce problème, nous avons testé des échantillons de tissus pour rechercher une altération chimique spécifique appelée méthylation de l’ADN, déclare le Pr Capper, membre scientifique du consortium allemand contre le cancer (DKTK) à Berlin. Selon des études antérieures, les schémas de méthylation de l’ADN dans les cellules cancéreuses sont fortement dépendants de l’organe à l’origine du cancer. »

Pour mener à bien leurs travaux, les chercheurs de la Charité – Universitätsmedizin Berlin et du consortium allemand contre le cancer se sont associés à des experts en intelligence artificielle (IA) de la Technische Universität (TU) de Berlin. Ils ont utilisé des données de méthylation de l’ADN de plusieurs centaines de cancers de la tête, du cou et du poumon afin de former un réseau neuronal profond permettant de distinguer les deux types de cancer.

Les résultats de leur étude ont été publiés le 11 septembre 2019 dans la revue Science Translational Medicine.

Résultats : précis à 99 %

• Le réseau de neurones est capable de faire la distinction entre les cancers du poumon et les métastases des cancers de la tête et du cou avec une précision de plus de 99 %.

Les auteurs de l’étude estiment que leur approche peut faciliter « une différenciation fiable » du diagnostic des métastases pulmonaires d’un cancer de la tête et du cou d’un cancer pulmonaire primitif et ainsi guider les décisions thérapeutiques.

Pour que les patients bénéficient au plus vite de cette avancée, les chercheurs sont en train de tester la mise en œuvre de cet outil d’IA en routine. Une étude de validation est en cours.

« Le rôle de plus en plus important de l’IA »

Après avoir travaillé aux côtés des chercheurs de la Charité, le Pr Klaus-Robert Müller, directeur du Centre d’apprentissage automatique de Berlin (BZML), s’est réjoui de ces résultats : « L’intelligence artificielle joue un rôle de plus en plus important, non seulement dans notre vie quotidienne, l’utilisation de l’intelligence artificielle est particulièrement complexe dans le domaine médical, c’est pourquoi, jusqu’à présent, les résultats de la recherche n’ont que rarement procuré des avantages directs aux patients, commente-t-il. Cela pourrait bien être sur le point de changer. »

Lire des images issues d’IRM cardiaques prend en moyenne 13 minutes à un expert. Ce temps d’analyse pourrait être considérablement réduit, sans perte de fiabilité, grâce à l’intelligence artificielle (IA) sous forme d’apprentissage automatique (machine learning). Il pourrait passer à seulement 4 secondes, soit une analyse 186 fois plus rapide, comme le montre une étude* menée par des chercheurs britanniques et dont les résultats ont été publiés le 24 septembre 2019 dans Circulation : Cardiovascular Imaging, une revue de l’American Heart Association.

L’apprentissage automatique pour repérer les anomalies cardiaques 

L’IRM cardiaque est un examen fréquemment utilisé pour mesurer la structure et les fonctions cardiaques. De nombreuses décisions cliniques importantes, notamment le choix du moment d’une chirurgie cardiaque, l’implantation de défibrillateurs et la poursuite ou l’arrêt de la chimiothérapie cardiotoxique reposent sur des mesures précises.

Or, alors que l’imagerie par résonance magnétique cardiovasculaire pour mesurer la fraction d’éjection ventriculaire gauche est réalisée à haute résolution, l’analyse du clinicien est remarquablement variable.

Les techniques automatisées utilisant l’apprentissage automatique (machine learning – intelligence artificielle) pourraient permettre de gagner du temps et d’améliorer la confiance mais elles doivent avoir démontré qu’elles sont précises et reproductibles avant d’être adoptées en clinique.

Un réseau de neurones formé à l’analyse d’IRM

Des chercheurs britanniques ont mené une étude pour évaluer la fiabilité et la rapidité d’analyse de l’intelligence artificielle (IA) pour des IRM cardiaques. Ils ont formé un réseau de neurones à la lecture des résultats de l’IRM cardiaque et des résultats de près de 600 patients. 110 patients (de 5 établissements différents) ont ensuite été soumis à un examen d’IRM. Les volumes, la masse et la fraction d’éjection de la chambre ventriculaire gauche ont été mesurés par un expert, un jeune clinicien formé et le réseau de neurones convolutifs entièrement automatisés.

Au Royaume-Uni, où l’étude a été menée, on estime que plus de 150 000 IRM cardiaques sont effectuées chaque année. Sur la base du nombre d’analyses par an, les chercheurs pensent que l’utilisation de l’IA pourrait potentiellement permettre d’économiser 54 jours-cliniciens par an dans chaque centre de santé britannique.

Les résultats de cette étude ont été publiés le 24 septembre 2019 dans Circulation : Cardiovascular Imaging, une revue de l’American Heart Association.

Résultats : 186 fois plus rapide

• L’expert, le jeune clinicien et le système automatisé d’IA parvenait à la même précision d’analyse.
• L’analyse de la fonction cardiaque sur les examens d’IRM prenait environ 13 minutes aux humains contre environ 4 secondes au système de machine learning.
• La formation des jeunes cliniciens à l’analyse d’image dure environ 1 mois contre seulement 9 heures pour le réseau de neurones.

L’IA au secours de l’erreur humaine

Cette étude a démontré pour la première fois qu’une technique d’analyse automatisée faisant appel à l’apprentissage automatique avait une précision équivalente à celle d’un expert et qu’elle permettait de gagner un temps supplémentaire de 13 minutes environ.

Bien que l’étude n’ait pas démontré la supériorité de l’IA par rapport aux experts humains, l’auteur principale de l’étude, Charlotte Manisty, estime que « l’IRM cardiovasculaire offre une qualité d’image inégalée pour évaluer la structure et la fonction cardiaques ; toutefois, l’analyse manuelle actuelle reste basique et obsolète ». Les techniques d’apprentissage automatique automatisées « peuvent changer la donne et améliorer radicalement l’efficacité, complète-t-elle. Nous attendons avec intérêt de nouvelles recherches susceptibles de valider sa supériorité par rapport à l’analyse humaine. »

Un potentiel « sur-humain »

« Notre ensemble de données de patients atteints de diverses maladies cardiaques et qui ont été soumis à des analyses nous a permis de démontrer que les principales sources d’erreur de mesure provenaient de facteurs humains », ajoute Charlotte Manisty. Cela indique que les techniques automatisées sont au moins aussi efficaces que celles utilisées par l’homme, avec le potentiel d’être bientôt « surhumain ».