Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Applications en santé de l’intelligence artificielle
A non spécifique à la santé
Dans les faits, la plupart d’entre nous utilisent des technologies d’IA dans la vie quotidienne, à des degrés divers, avec un niveau de conscience variable. Lorsque nous utilisons un service de messagerie électronique, ce service va automatiquement classer certains e-mails vers la valise des indésirables. Lors de ce tri, la sensibilité est généralement plus forte que la spécificité, mais globalement celui-ci est très efficace et inaperçu pour l’utilisateur lambda. Lorsque nous effectuons des achats sur internet sur de grands sites marchands, ceux-ci nous proposent par la suite des publicités ciblées. Elles sont souvent très pertinentes car elles tiennent compte de différentes données collectées sur nous comme nos achats précédents, notre historique de navigation, notre profil sociologique, notre géolocalisation. Nous sommes de plus en plus nombreux à utiliser des assistants vocaux (Siri, Alexa, Google Home). Ceux-ci sont encore très limités mais s’améliorent rapidement et peuvent d’ores et déjà effectuer des tâches basiques de manière relativement efficace. Il nous arrive parfois de recevoir un message de sécurité de la part de notre banque nous alertant sur une dépense suspecte. Lorsque nous utilisons un moteur de recherche internet, nous ne sommes généralement plus surpris de leur facilité d’utilisation, de leur rapidité et de la pertinence des résultats. Lorsque nous utilisons un GPS, celui-ci nous propose parfois un itinéraire alternatif en fonction des conditions de circulation. Le point commun de tous ces services est qu’ils sont basés sur des technologies d’IA. Ces différents services permettent d’illustrer des technologies d’IA utilisées couramment par la plupart des citoyens. Il s’agit ici de services généralistes qui n’ont pas été conçus spécifiquement pour les professionnels de santé et qui ne leur sont pas dédiés. Cependant, ils sont pourtant utilisés par de nombreux professionnels de santé dans leur vie personnelle mais également dans leur vie professionnelle. Des services basés sur des technologies d’IA sont donc d’ores et déjà utilisés par de nombreux professionnels de santé.
A dédiée à la santé
La santé est probablement le domaine pour lequel l’IA est la plus en pointe. C’est également l’un des domaines où la recherche et les perspectives de développement sont les plus grandes. De nombreux outils d’IA spécialisés dans différents domaines de la santé sont en cours de développement. Les trois grands domaines de la santé pour lesquels l’IA est développée sont le diagnostic, la thérapeutique (élaboration de protocoles de traitement, développement de nouveaux médicaments, médecine personnalisée, le soin et le suivi des patients, etc.), et les systèmes de santé. L’IA va notamment permettre de développer la médecine préventive. Cela peut être une perspective d’évolution positive dans un système de santé français basé sur une tradition hippocratique de soins a postériori.
Les prouesses récentes de l’IA dans le domaine de la santé ont fait l’objet de beaucoup d’attention et de médiatisation. Cependant des outils validés et déployés sur le marché sont encore peu nombreux même s’ils sont prometteurs. La majorité d’entre eux n’est encore qu’au stade de développement. Malgré les effets d’annonce, le milieu médical est un milieu essentiellement conservateur, le déploiement de solutions novatrices en IA prendra donc du temps. Certaines études visent à démontrer la supériorité de technologies d’IA sur les médecins spécialistes tandis que d’autres visent plutôt à créer des outils d’IA ayant vocation à assister les médecins afin des les rendre plus performants.
Nous allons donner ici des exemples d’applications de l’IA dans le domaine de la santé, qu’elles soient actuelles, à venir ou potentielles. Cette liste n’est pas exhaustive. Nous allons cependant essayer de donner un panel représentatif de ces applications.
Diagnostic
L’aide au diagnostic est l’un des domaines de santé dans lequel l’IA s’est le plus développée.
En Dermatologie, des algorithmes développés dans un but diagnostique de mélanome se montrent performants (17). Une équipe de chercheurs du Stanford Cancer Institute a mis au point un outil d’IA aussi performant que des dermatologues expérimentés dans le diagnostic de cancers de la peau (17) (18). Certains chercheurs ont montré que cette technologie pouvait présenter des performances diagnostiques supérieures à des dermatologues expérimentés experts dans leur domaine (19).
En ophtalmologie, des outils d’IA en cours de développement se montrent aussi performants que des spécialistes expérimentés dans le diagnostic de nombreuses pathologies oculaires (20). La filiale UK d’Alphabet « DeepMind » en association le Moorfields Eye Hospital de Londres prévoit le déploiement de ce type de technologie d’ici 2023 (20).
En anatomopathologie, l’analyse d’images histologiques par des techniques d’IA pourrait améliorer la précision diagnostique, le pronostic et la détermination du profil génomique de certains cancers (21). Lors d’une étude, des algorithmes de « deep learning » ont montré une performance comparable à celle de pathologistes experts dans la détection des métastases ganglionnaires dans les coupes tissulaires de femmes atteintes d’un cancer du sein (22).
En cardiologie, des outils d’IA sont développés dans le domaine de l’interprétation automatique d’électrocardiogrammes. Une IA basée sur les réseaux de neurones conçue pour assister les médecins dans le diagnostic de troubles du rythme cardiaque a été homologuée par la Food and Drug Administration (FDA) au États-Unis (3). La start-up française CARDIOLOGS conjugue « deep learning », « big data » et expertise médicale dans le but de développer des technologies d’IA facilitant l’interprétation des électrocardiogrammes. Elle a obtenu l’accord de le FDA aux Etats-Unis pour commercialiser son algorithme (23).
En neurologie, des chercheurs de l’université de San Francisco développent une IA basée sur l’analyse de TEP-scanners cérébraux dans le but de détecter la maladie d’Alzheimer plusieurs années avant les médecins. Lors de son évaluation, cet algorithme a pu réaliser ce diagnostic en moyenne six ans avant un médecin (24).
En psychiatrie, Marcel Just et David Brent, chercheurs respectivement à l’université Carnegie Mellon et de Pittsburgh (Etats-Unis) ont développé un outil d’IA basé sur le couple algorithme – imagerie cérébrale afin de reconnaitre les intentions suicidaires d’un patient. Leur première expérience sur un nombre réduit d’individus a présenté un taux de réussite de 91% (25).
Imagerie médicale
Les technologies de « deep learning » et les réseaux de neurones sont les principales technologies utilisées dans le développement d’outils d’IA dédiés à l’interprétation d’imagerie médicale. « Les algorithmes d’apprentissage automatique peuvent désormais effectuer des tâches d’analyse d’images avec des performances égales, voire supérieures, à celles réalisées par des experts humains (26) ». « Les solutions d’imagerie utilisent à peu près toutes les mêmes techniques et solutions logicielles mais sont paramétrées de manière différente selon les pathologies recherchées et avec des jeux d’entrainement spécifiques. Elles vont bien au-delà des techniques simples d’augmentation de contraste. Elles détectent des formes particulières, des densités spécifiques et réalisent aussi des mesures précises et quantitatives. Elles peuvent aussi comparer avec précision des images dans le temps pour quantifier l’évolution d’une pathologie. Elles utilisent généralement différentes formes de réseaux convolutionnels, avec au moins un premier qui détecte des formes dans l’image et un autre qui les labellise une par une après détourage (6) ».
Des outils d’IA sont en cours de développement dans l’interprétation des clichés de mammographie. Ces solutions de « deep learning » peuvent potentiellement réduire les erreurs de diagnostic, améliorer la précision du radiologue et faciliter la prise de décision dans l’interprétation de ce type d’imagerie (27). Dans le même domaine, la start-up française THERAPIXEL développe un outil d’IA dédié à l’interprétation des mammographies, grâce aux algorithmes exploitant les réseaux de neurones convolutifs. Elle a remporté le Digital Mammography Dream Challenge en 2017 (28).
Une équipe de chercheurs de l’université de Stanford a développé un logiciel d’imagerie basé sur un réseau de neurones pouvant être plus performant que les radiologues dans le diagnostic de pneumonie. Il s’agit du logiciel « CheXnet » (29).
Recherche clinique
De nombreux experts croient au fort potentiel de l’IA dans le domaine de la recherche clinique, cependant ses potentialités dans ce domaine ne sont actuellement que théoriques (30). La recherche, les essais cliniques, peuvent très probablement être favorisés par l’utilisation de cette technologie. Elle pourrait permettre notamment une réduction du coût des essais cliniques en réduisant leur durée (31).
L’IA avec le « deep learning » et d’autres technologies nourrissent les espoirs dans le domaine de la recherche de nouveaux médicaments. Certains chercheurs prédisent qu’elle permettra de trouver de nouveaux traitements plus efficacement, plus rapidement et à moindre coût. Cependant d’autres chercheurs relativisent ces prévisions en les qualifiant d’extravagantes. A ce jour il n’existe pas encore de médicament approuvé par l’IA. Les principales sociétés pharmaceutiques utilisent des systèmes d’IA dans leurs travaux de recherche. « Pfizer utilise IBM Watson, un système utilisant l’apprentissage automatique, pour renforcer sa recherche de médicaments immuno-oncologiques. Sanofi a signé un contrat d’utilisation de la plateforme d’IA de la start-up britannique Exscientia pour la recherche de traitements par maladies métaboliques. Genentech, une filiale de Roche, utilise un système d’IA de GNS Healthcare à Cambridge, dans le Massachusetts, pour aider la multinationale à rechercher des traitements contre le cancer. La plupart des acteurs biopharmaceutiques importants ont des collaborations ou des programmes internes similaires (32) ».
En oncologie, des chercheurs développent des outils d’IA dans le but de créer de nouveaux médicaments anticancéreux in silico en fonction des propriétés génomiques des cellules cancéreuses (33).
En génétique, l’usage de technologies d’IA va se développer rapidement dans les années à venir dans le domaine de la médecine génomique (34).
Dispositifs médicaux connectés ou implantés
L’IA tend à être de plus en plus utilisée dans les dispositifs médicaux connectés ou implantables. La recherche et le soin dans le domaine du diabète vont potentiellement être transformés en profondeur avec l’usage de l’IA et notamment avec l’aide d’objets connectés et ou implantables. « La médecine numérique, la recherche numérique et l’intelligence artificielle (IA) ont le pouvoir de transformer le domaine du diabète avec une surveillance à distance continue et sans fardeau des symptômes des patients, des données physiologiques, des comportements et des contextes sociaux et environnementaux à l’aide de dispositifs portables, de capteurs et technologies de smartphone. […] En fin de compte, les nouvelles technologies numériques, les analyses basées sur le Big Data et l’IA appliquée aux données sur le diabète vont changer la manière dont le diabète et ses complications, ainsi que leur prévention et leur gestion, sont traités. » (42)
En cardiologie, certains types de défibrillateurs fonctionnent de manière autonome grâce à une IA qui détecte automatiquement les troubles des rythmes.
Composition du questionnaire
Un questionnaire informatique avait été élaboré sur Google Forms. Il comportait quatre parties principales:
• La première partie concernait les informations générales des médecins: l’âge, le sexe, l’année de thèse, l’année d’installation, le mode et le milieu d’exercice, le nombre de consultations par semaine.
• La seconde partie consistait à évaluer leur familiarité avec l’outil informatique et les technologies d’IA : aisance en informatique, informatisation du cabinet, connaissances dans les technologies fondamentales en IA, utilisation de l’IA dans leur pratique, appréhension des réactions des patients à l’usage de l’IA.
• La troisième partie visait à recueillir leurs opinions quant à l’influence de l’IA dans différents domaines de la pratique de la médecine générale : la relation médecin-malade, la démarche décisionnelle, la prise en charge au long cours et leurs conditions d’exercice.
• La quatrième partie consistait à évaluer leur favorabilité au développement de la technologie de l’IA dans la pratique de la médecine générale.
Un exemple de définition de l’IA avait été donné au début du questionnaire. Cela avait été motivé par l’absence de définition consensuelle existante de l’IA et par le niveau de connaissance des médecins sur le sujet supposé très variable. Nous avions choisi de donner la définition la plus simple et générale afin de limiter un potentiel biais risquant d’influencer les réponses.
Concernant la question relative à la familiarité des répondants avec l’outil informatique, des critères leur avaient été présentés afin de favoriser l’homogénéité dans les critères d’autoévaluation entre les répondants.
Nous avions sciemment choisi de placer en dernier la question sur la favorabilité des répondant au développement de l’IA dans la pratique de la médecine générale. Cela avait été fait dans le but de permettre aux médecins de répondre après une étape de réflexion sur le sujet par le biais des questions précédentes. Cette étape de réflexion nous avait paru importante dans la mesure où cette question concernait l’objectif principal de l’étude.
Diffusion du questionnaire
Les médecins généralistes étaient invités à répondre au questionnaire en ligne. Ils pouvaient y accéder, soit directement par un lien inclus dans l’e-mail les invitant à participer
à l’étude, soit en utilisant un lien consultable sur la rubrique dédiée aux thèses du CDOM des Bouches-du-Rhône. Dans les deux cas, le thème et l’intérêt de l’étude étaient présentés ainsi que l’engagement d’un retour sur les résultats de l’étude à son terme.
Les conseils départementaux de l’Ordre des médecins de la région PACA avaient été sollicités par e-mail afin de contribuer à la diffusion du questionnaire. Le CDOM du Vaucluse avait contribué à la diffusion du questionnaire en publiant une proposition de participation dans son journal officiel. Le CDOM des Bouches-du-Rhône y avait également contribué en publiant, sur la rubrique dédiée aux thèses de son site internet, une proposition de participation à l’étude avec un lien vers le questionnaire.
Les autres canaux utilisés pour la diffusion par e-mail du questionnaire étaient : les réseaux de médecins remplaçants, les sites internet d’annonces médicales, l’annuaire professionnel des pages jaunes, le réseau social professionnel Linkedin.
Au total, 1915 sollicitations avaient été envoyées dont 1413 e-mails envoyés par le biais de contacts de réseaux de remplacements avec deux relances, 217 e-mails envoyés par le biais de contacts de sites de remplacements médicaux, 261 messages de sollicitation envoyés via la plate-forme internet du site professionnel des Pages jaunes et 24 messages de sollicitation envoyés via la plate-forme internet de Linkedin.
Le questionnaire était resté disponible en ligne du 17 mars 2019 au 03 juin 2019. Les réponses étaient recueillies automatiquement sur un tableur de type Excel.
Analyse des données :
Les données statistiques suivantes étaient disponibles sur le site internet « Data.Drees » de la Direction de la Recherche, des Études, de l’Évaluation et des Statistiques (DREES) (45), et concernaient l’année 2018 pour la région PACA. 6305 médecins généralistes avaient une activité libérale (exclusive ou mixte), dont 2394 femmes (38%) et 3911 hommes (62%), soit un sex-ratio de 1.6 avec une majorité d’hommes. Concernant la répartition des tranches d’âge des médecins généralistes exerçant en cabinet individuel, en cabinet de groupe ou en remplacement, 11% avaient moins de 35 ans, 14% avaient de 35 à 44 ans, 19% avaient de 45 à 54 ans, 39% avaient de 55 à 64 ans et 16% avaient de plus de 65 ans. Concernant le mode d’exercice, les médecins généralistes exerçant en cabinet individuel (2720 médecins), en cabinet de groupe (2574 médecins) et ceux exerçants en remplacements (752 médecins) représentaient respectivement 45%, 43% et 12% des médecins de ces trois modes d’exercice confondus.
L’analyse avait comporté une première partie descriptive des réponses et une deuxième partie comparative étudiant les facteurs influençant la favorabilité des médecins au développement de l’IA dans la pratique de la médecine générale.
Nous avions déterminé deux groupes. Le premier groupe que nous avions nommé « favorable (MG F+) » était constitué des médecins de l’échantillon ayant donné une réponse « favorable » quant au développement de l’IA. Le second groupe nommé « non favorables (MG F-) » était composé des médecins ayant donné une autre réponse que « favorable » à cette question (« sans opinion », « défavorable », « neutre »).
Nous avions utilisé le logiciel Microsoft Excel pour réaliser le recueil de données et les figures. Les analyses statistiques avaient été réalisées sur les sites internet de « biostaTGV » et « OpenEpi ». Nous avions utilisé des fonctions descriptives avec la détermination des intervalles de confiance, et des fonctions comparatives avec le test exact de Fisher. Le seuil de significativité avait été pris à p < 0,05.
D’un point de vue méthodologique, nous n’avions pas jugé pertinent de chercher à déterminer un nombre de sujets nécessaires pour la réalisation de notre étude. Tout d’abord, le questionnaire était disponible sur internet, donc d’un point de vue théorique l’ensemble des médecins généralistes de la région PACA pouvait y avoir accès. Nous n’avions donc pas besoin de connaître le nombre minimal de sujets à inclure pour diffuser ce questionnaire à un nombre limité de médecins. Par ailleurs, si nous avions tout de même souhaité calculer un nombre de sujets nécessaires afin de vérifier la puissance nécessaire à notre étude, celui-ci aurait été imprécis. En effet, l’absence de données précises sur la valeur a priori de la prévalence concernant la favorabilité des généralistes au développement de l’IA, rendait ce calcul inadapté.
Utilisation d’IA en pratique professionnelle
Nous avions observé une minorité de médecins déclarant avoir déjà utilisé une technologie d’IA dans leur pratique (62 sujets) (soit 33.2%; intervalle de confiance à 95% [26.8 – 40.2]). 59 médecins (31.6%) avaient renseigné une technologie d’IA déjà utilisée dans leur pratique. Celles les plus citées étaient « les outils d’aide à l’interprétation d’électrocardiogramme » (22 citations), « les outils d’aide à la prescription » (18 citations), notamment ceux « d’aide à la prescription médicamenteuse » (16 citations).
Données sur les opinions concernant l’influence de l’IA dans la pratique de la médecine générale
Au total, 30 items répartis en quatre domaines de la pratique de la médecine générale avaient été explorés. 15 items présentaient une majorité de réponses « effet positif », 8 items présentaient une majorité de réponses « aucun effet » et 7 items présentaient une majorité de réponses « effet négatif ». Ces données étaient représentées dans le tableau 4. Le tableau 5 présentait le nombre d’items pour chaque nature de réponse majoritaire par domaine exploré.
Les trois items ayant recueilli le plus de réponses « effet positif » étaient :
• « Leurs performances diagnostiques »
• « Leur gestion de l’incertitude diagnostique »
• « Leur élaboration de stratégies thérapeutiques »
Les trois items ayant recueilli le plus de réponses « effet négatif » étaient :
• « La dimension humaine de la relation médecin – malade »
• « La relation médecin malade en général »
• « La communication médecin – malade »
Les trois items ayant recueilli le plus de réponses « aucun effet » étaient :
• « Leur équilibre entre vie professionnelle et personnelle »
• « La liberté décisionnelle des patients »
• « La gestion par le médecin de ses émotions »
La démarche décisionnelle des généralistes
Sur 8 items, ce domaine comportait 4 items avec une majorité de réponses « effet positif », 3 items avec une majorité de réponses « aucun effet » et 1 seul item avec une majorité de réponses « effet négatif ». Il s’agissait du domaine comportant le plus d’items recueillant une majorité de réponses « aucun effet ». Il comportait les 3 items recueillant le nombre de réponses « effet positif » le plus élevé parmi tous les domaines explorés.
La prise en charge au long cours par les généralistes
Sur 8 items, ce domaine comportait 6 items avec une majorité de réponses « effet positif », 1 item avec une majorité de réponses « aucun effet » et 1 item avec une majorité de réponse « effet négatif ». Il s’agissait du domaine comportant le moins d’items recueillant une majorité de réponses « aucun effet ». Il s’agissait de celui comportant le plus d’items recueillant une majorité de réponses « effet positif ».
Les conditions d’exercice des généralistes
Sur 7 items, ce domaine comportait 4 items avec une majorité de réponses « effet positif », 2 items avec une majorité de réponses « aucun effet » et 1 item avec une majorité de réponses « effet négatif ». Il s’agissait du domaine comportant l’item recueillant le nombre de réponses « aucun effet » le plus élevé parmi tous les domaines explorés.
|
Table des matières
I. INTRODUCTION
A. Intérêt et justification de l’étude
B. Définition de l’intelligence artificielle
C. Histoire de l’intelligence artificielle
D. Etat de l’art de l’intelligence artificielle
E. Applications en santé de l’intelligence artificielle
1. IA non spécifique à la santé
2. IA dédiée à la santé
II. MATERIEL ET METHODES
A. Objectifs de l’étude
B. Type d’étude
C. Population
D. Questionnaire
1. Elaboration du questionnaire
2. Composition du questionnaire
3. Diffusion du questionnaire
E. Analyse des données :
F. Conflits d’intérêts :
III. RESULTATS
A. Analyse descriptive
1. Données générales de l’échantillon
2. Données sur l’aisance en informatique, sur l’informatisation, sur les connaissances et l’usagede l’IA, sur l’appréhension des réactions des patients
3. Données sur les opinions concernant l’influence de l’IA dans la pratique de la médecine générale
4. Données sur la favorabilité au développement de l’IA dans la pratique de la médecine générale
B. Analyse comparative selon la favorabilité des médecins au développement de l’IA dans la pratique de la médecine générale
1. Facteurs influençant parmi les données générales de l’échantillon
2. Facteurs influençant parmi l’appréhension des réactions des patients, les connaissances et l’usage de l’IA.
3. Facteurs influençant parmi l’opinion des médecins sur l’influence de l’IA dans différents domaines de la pratique de la médecine générale
IV. DISCUSSION
A. Synthèse et interprétation des résultats
B. Forces et limites de l’étude
1. Forces de l’étude
2. Limites de l’étude
C. Comparaison avec la littérature
V. CONCLUSION
VI. REFERENCES
Télécharger le rapport complet
