Prédiction précoce du risque d’asthme avec l’apprentissage automatique • The Medical Republic

L’apprentissage automatique et la technologie de l’intelligence artificielle sont omniprésents, mais leur utilisation en médecine est à la traîne.


Chaque fois que nous naviguons sur Internet, comme une photo sur les réseaux sociaux ou recherchons un itinéraire sur votre téléphone, nous vous communiquons des données personnelles.

Les plateformes en ligne comme YouTube, Facebook et Google utilisent ces données personnelles et les alimentent avec des algorithmes d’apprentissage automatique pour former des programmes automatisés afin de connaître nos habitudes de consommation pour la publicité ciblée ou d’améliorer les logiciels de reconnaissance faciale grâce aux photos que nous publions en ligne.

Nous utilisons déjà l’apprentissage automatique de nos jours pour des tâches courantes telles que le filtrage des courriers indésirables, des assistants virtuels comme Siri ou Alexa, alors pourquoi n’est-il pas davantage utilisé dans le domaine de la santé ?

L’apprentissage automatique a le potentiel de révolutionner les soins de santé en aidant à la prédiction et au diagnostic des maladies, cependant, l’acceptation par la communauté médicale a été lente. La recherche sur l’utilisation de l’apprentissage automatique dans la prédiction de l’asthme est limitée, bien qu’en augmentation, mais il n’existe actuellement aucun modèle d’apprentissage automatique validé pour prédire l’asthme chez les enfants.

L’apprentissage automatique, comme son nom l’indique, peut être défini comme donnant “aux ordinateurs la capacité d’apprendre sans être explicitement programmés”.1 Bien que cela puisse sembler être une nouvelle technologie, le concept d’apprentissage automatique existe depuis les années 1950 avec un article d’Alan Turing présentant le “Imitation Game”, un test pour déterminer si les machines pouvaient penser.deux Turing a utilisé les échecs comme exemple de la façon dont les machines peuvent apprendre, et cela a été réalisé en 1996 lorsque le supercalculateur Deep Blue conçu par IBM battre le champion du monde d’échecs en titre Garry Kasparov.

Au cours des deux dernières décennies, l’avènement des avancées technologiques a entraîné une augmentation des vitesses de calcul, de la puissance de traitement et des capacités de stockage de données, entraînant une augmentation de l’utilisation de l’apprentissage automatique dans des secteurs allant de la fabrication, de la banque, et boulangeries. Avec la disponibilité de grandes quantités de données de santé collectées via les dossiers médicaux électroniques, les opportunités de développement d’algorithmes d’apprentissage automatique dans le domaine médical sont mûres pour l’entreprise.

L’apprentissage automatique est actuellement utilisé dans divers domaines de la médecine, principalement dans les domaines où l’imagerie est utilisée pour le diagnostic et la gestion des maladies, comme la radiologie et l’oncologie. Par exemple, les systèmes commerciaux imagerie médicale en cardiologie3 ou pour identifier les mélanomes sont facilement disponibles et utilisés.4

De plus, il y a eu une augmentation des outils d’apprentissage automatique à la suite de la pandémie de covid.5 En vérité, covid a d’abord été également identifié grâce à une plateforme d’intelligence artificielle avant que l’Organisation mondiale de la santé ne le signale. Une récente enquête américaine Liste FDA des dispositifs médicaux compatibles avec l’intelligence artificielle et l’apprentissage automatique approuvés n’a révélé aucun outil lié à la respiration, à moins qu’il ne soit lié à la radiologie.

La plupart des modèles d’apprentissage automatique suivent un chemin de développement typique. La première étape critique consiste à disposer d’un ensemble de données représentatif suffisamment important pour aborder la recherche ou la question clinique d’intérêt. Cet ensemble de données est ensuite divisé en un ensemble de données d’entraînement et de test et utilisé pour enseigner ou entraîner le modèle (voir encadré séparé). L’entraînement du modèle se fait à travers plusieurs algorithmes et, selon la question à traiter, il peut être classé comme apprentissage supervisé ou non supervisé. Dans l’apprentissage supervisé, une intervention humaine est requise lorsque les données d’entrée sont étiquetées avec le résultat d’intérêt afin d’identifier ou de prédire le résultat dans un nouvel ensemble de données.

Comme on peut s’y attendre d’après son nom, l’apprentissage non supervisé nécessite moins d’intervention humaine et peut utiliser des données brutes et non étiquetées pour former un modèle avec des tâches clés, notamment la classification et l’identification des tendances dans l’ensemble de données. Pour l’exemple de l’utilisation de l’apprentissage automatique pour prédire l’asthme chez l’enfant, dans l’approche d’apprentissage supervisé, le modèle serait formé à l’aide d’un ensemble de données où il existe un échantillon représentatif de patients asthmatiques, et ces patients sont identifiés et étiquetés. Lors de l’utilisation de l’approche d’apprentissage non supervisé, le modèle serait invité à découvrir les différences entre les groupes de personnes au sein de l’ensemble de données sans identifier s’ils étaient asthmatiques ou non, et le modèle pourrait regrouper les individus en fonction de symptômes ou de facteurs de risque similaires.

La capacité de prédire l’asthme chez l’enfant est un objectif des pneumologues et des chercheurs depuis 20 ans. Le diagnostic d’asthme est difficile chez les jeunes enfants. La respiration sifflante est un symptôme de l’asthme qui apparaît dans les premières années de la vie. La respiration sifflante, cependant, n’est pas indicative de l’asthme, car les causes de la respiration sifflante comprennent également la bronchiolite, une infection virale aiguë courante. Les médecins utilisent souvent les symptômes de respiration sifflante et les antécédents médicaux pour fournir un statut asthmatique aux jeunes enfants. Cela peut conduire à un diagnostic erroné et à une mauvaise gestion de la maladie.

En conséquence, plusieurs indices prédictifs de l’asthme infantile ont été développés. Bien que la plupart d’entre eux aient une spécificité élevée ou une valeur prédictive négative, leur spécificité ou leur capacité à prédire avec précision la présence d’asthme est modeste et donc peu adoptée en pratique clinique.6 L’asthme est une maladie avec de nombreux facteurs de risque, à la fois environnementaux et génétiques. Ces facteurs de risque, appelés « caractéristiques » dans le langage de l’apprentissage automatique, peuvent être intégrés comme prédicteurs lors du développement du modèle, avec l’avantage que l’apprentissage automatique peut gérer un grand nombre de fonctionnalités et leurs interactions, contrairement aux modèles statistiques traditionnels.sept

Dans une revue publiée plus tôt cette année, nous avons discuté des modèles d’apprentissage automatique qui ont été utilisés pour prédire l’asthme infantile et n’avons trouvé que sept articles publiés.8 Nous avons également trouvé plusieurs limites dans les études publiées. Ces limitations, qui sont courantes dans tout le domaine de l’apprentissage automatique, incluent le manque de validation externe et le fait de ne pas avoir une taille d’échantillon suffisamment représentative. La validation du modèle d’apprentissage automatique développé à l’aide de l’ensemble de données de formation est essentielle pour garantir que le modèle peut prédire ce qu’il doit faire. La plupart des études, cependant, ne valident qu’en interne en utilisant le même ensemble de données utilisé pour développer le modèle, mais s’il peut être démontré que le modèle fonctionne également dans un ensemble de données séparé, cela indique que le modèle est généralisable à d’autres groupes similaires.

Disposer d’un ensemble de données suffisamment représentatif du résultat a également fait défaut dans plusieurs domaines de l’apprentissage automatique. Par exemple, une limitation du logiciel de détection de mélanome mentionné précédemment était que la plupart des images de formation provenaient de patients à la peau claire et, par conséquent, leur précision dans d’autres ethnies était inconnue.4

Les préjugés raciaux sont connus pour être un problème dans le domaine de l’intelligence artificielle (IA) avec de nombreux exemples dans le domaine de la technologie. les algorithmes étant racistes. En comprenant le fonctionnement des modèles d’apprentissage automatique et les exigences et limites associées, nous pouvons cependant – comme les machines – mieux apprendre et construire.

Le manque de compréhension du fonctionnement des algorithmes d’apprentissage automatique pourrait être un facteur contribuant à la faible acceptation de l’apprentissage automatique non seulement en médecine respiratoire, mais dans les soins de santé en général.

Un rapport récent l’a souligné en montrant le nombre d’offres d’emploi nécessitant des compétences en IA aux États-Unis, avec la santé étant la deuxième industrie la plus basse, juste au-dessus du bâtiment. Les médecins peuvent être réticents à adopter l’apprentissage automatique dans leur pratique en raison de la méfiance et de la peur de la responsabilité si la mauvaise décision d’IA est prise. D’autres obstacles majeurs sont liés à l’accès aux données. Comme indiqué précédemment, le développement de modèles d’apprentissage automatique fiables dépend de la disponibilité de données de formation de haute qualité. Les inquiétudes concernant la qualité des dossiers de santé électroniques et la possibilité de les regrouper dans plusieurs systèmes de santé, ainsi que les réglementations strictes en matière de confidentialité pour l’accès aux données de santé, ont entravé les progrès de l’apprentissage automatique dans les soins de santé. De même, en Australie, les organismes réglementaires et juridiques n’ont pas suivi le développement rapide de l’apprentissage automatique ( L’IA dans les soins de santé : l’Australie risque d’être laissée pour compte | InSight+ (mja.com.au)).

Développement d’un modèle d’apprentissage automatique

Les étapes clés incluent la division d’un ensemble de données en données de formation pour enseigner le modèle et les données de test pour valider le modèle qui a été développé à l’aide de l’algorithme d’apprentissage automatique le plus approprié. La précision du modèle est ensuite déterminée à l’aide de diverses mesures de performances prédictives, telles que la sensibilité, la spécificité ou l’aire sous la courbe.

Conclusion

En utilisant les données d’une population australienne générale, nous avons l’intention d’utiliser l’apprentissage automatique pour développer un score de prédiction personnalisé pour l’asthme infantile en utilisant les antécédents familiaux, les facteurs de risque environnementaux et génétiques comme prédicteurs. Si cela réussit et peut prédire l’asthme avec une grande précision, les prochaines étapes seraient d’intégrer le modèle dans une application ou un logiciel en ligne que les cliniciens utiliseraient lors d’une consultation clinique pour générer un score de risque d’asthme prédictif personnalisé pour chaque patient.

Cependant, atteindre ce stade nécessiterait une consultation approfondie avec les prestataires de soins de santé, les utilisateurs finaux de la communauté et les développeurs de logiciels et d’applications travaillant avec des chercheurs, des médecins et des patients asthmatiques pour mettre en œuvre cet outil dans un cadre clinique.

Pour que l’apprentissage automatique soit bénéfique pour les patients et la société, il nécessite la participation de médecins qui comprennent les problèmes de santé en collaboration avec des scientifiques des données. Si les cliniciens sont conscients des limites de ce modèle, ils peuvent prendre des décisions éclairées quant à savoir si un appareil ou un logiciel spécifique convient à leur population de patients. Ce n’est que si les médecins participent à la conversation que l’apprentissage automatique peut atteindre son plein potentiel dans les soins de santé et être mis en œuvre dans la pratique clinique pour prédire le risque de maladies telles que l’asthme.

Dr. Rachel Foong a reçu la bourse de développement de carrière Asthma and Airways 2021, financée conjointement par le National Asthma Council Australia et la Thoracic Society of Australia and New Zealand.

Références

1 Mitchell T. apprentissage automatique. McGraw Hill, New York, 1997.

2 Turing AM. I.—Machine informatique et intelligence. Dérange. 1950; LIX: 433-60.

3 Raimondi F, Martins D, Coenen R, Panaioli E, Khraiche D, Boddaert N, Bonnet D, Atkins M, El-Said H, Alshawabkeh L, Hsiao A. Prévalence du shunt veino-veineux et de l’état à haut débit quantifié avec l’IRM de flux 4D chez les patients avec circulation fontan. Radiologie : Imagerie Cardiothoracique. 2021 ; 3: e210161.

4 Winkler JK, Sies K, Fink C, Toberer F, Enk A, Deinlein T, Hofmann-Wellenhof R, Thomas L, Lallas A, Blum A, Stolz W, Abassi MS, Fuchs T, Rosenberger A, Haenssle HA. Reconnaissance du mélanome par un réseau neuronal convolutif d’apprentissage en profondeur – Performances dans différents sous-types et emplacements de mélanome. Journal européen du cancer. 2020 ; 127: 21-9.

5 Chen J, voir KC. Intelligence artificielle pour COVID-19 : examen rapide. J Med Internet Res. 2020 ; 22: e21476-e.

6 Pinart M, Smit HA, Keil T, Bousquet J, Antó JM, Lødrup-Carlsen KC. Examen systématique des modèles de prédiction de l’asthme infantile. Journal respiratoire européen. 2015 ; 46: PA4513.

7 Rajkomar A, Dean J, Kohane I. Apprentissage automatique en médecine. Journal de médecine de la Nouvelle-Angleterre. 2019 ; 380: 1347-58.

8 Patel D, Hall GL, Broadhurst D, Smith A, Schultz A, Foong RE. L’apprentissage automatique joue-t-il un rôle dans la prédiction de l’asthme chez les enfants ? Examens respiratoires pédiatriques. 2022 ; 41: 51-60.

(function(d, s, id) {
var js, fjs = d.getElementsByTagName(s)[0];
if (d.getElementById(id)) return;
js = d.createElement(s); js.id = id;
js.src = “//connect.facebook.net/en_GB/sdk.js#xfbml=1&version=v2.6”;
fjs.parentNode.insertBefore(js, fjs);
}(document, ‘script’, ‘facebook-jssdk’));

Leave a Comment

Your email address will not be published.