Déverrouiller de nouvelles possibilités dans les soins de santé avec l’IA

Les soins de santé aux États-Unis sont aux premiers stades d’une perturbation potentielle significative due à l’utilisation de l’apprentissage automatique et de l’intelligence artificielle. Ce changement est en cours depuis plus d’une décennie, mais avec les progrès récents, il semble prêt à subir des changements plus rapides. Beaucoup de travail reste à faire pour comprendre les applications les plus sûres et les plus efficaces de l’IA dans les soins de santé, pour instaurer la confiance parmi les cliniciens dans l’utilisation de l’IA, et pour ajuster notre système d’éducation clinique pour améliorer l’utilisation des systèmes basés sur l’IA.

Applications de l’IA dans les soins de santé

L’IA a évolué pendant des décennies dans les soins de santé, à la fois dans les fonctions tournées vers les patients et les fonctions de back-office. Certains des premiers et des plus importants travaux ont eu lieu dans l’utilisation de modèles d’apprentissage profond et de vision par ordinateur.

Tout d’abord, quelques termes. Les approches statistiques traditionnelles dans la recherche – par exemple, les études observationnelles et les essais cliniques – ont utilisé des approches de modélisation axées sur la population qui reposent sur des modèles de régression, dans lesquels les variables indépendantes sont utilisées pour prédire les résultats. Dans ces approches, même si plus de données est mieux, il y a un effet de plateau dans lequel au-delà d’une certaine taille de l’ensemble de données, aucune inférence meilleure ne peut être obtenue à partir des données.

L’intelligence artificielle apporte une nouvelle approche de prédiction. Une structure appelée perceptron traite les données qui sont transmises ligne par ligne, et est créée comme un réseau de couches d’équations différentielles pour modifier les données d’entrée, afin de produire une sortie. Lors de la formation, chaque ligne de données à mesure qu’elle passe à travers le réseau – appelé réseau de neurones – modifie les équations à chaque couche du réseau de telle sorte que la sortie prédite corresponde à la sortie réelle. Au fur et à mesure que les données d’un ensemble de formation sont traitées, le réseau de neurones apprend à prédire le résultat.

Plusieurs types de réseaux existent. Les réseaux de neurones convolutionnels, ou CNN, ont été parmi les premiers modèles à trouver du succès dans les applications de soins de santé. Les CNN sont très bons pour apprendre à partir d’images dans un processus appelé vision par ordinateur et ont trouvé des applications où les données d’image sont prédominantes : radiologie, examens de la rétine et images de la peau.

Un type de réseau de neurones plus récent appelé architecture de transformateur est devenu une approche dominante en raison de son incroyable succès pour le texte, et les combinaisons de texte et d’images (appelées également données multimodales). Les réseaux de neurones de transformateur sont exceptionnels lorsqu’ils sont donnés un ensemble de texte, pour prédire le texte suivant. Une application de l’architecture de transformateur est le grand modèle de langage ou LLM. Plusieurs exemples commerciaux de LLM incluent Chat GPT, Anthropics Claude et Metas Llama 3.

Ce qui a été observé avec les réseaux de neurones, en général, c’est qu’un plateau pour l’amélioration de l’apprentissage a été difficile à trouver. En d’autres termes, étant donné plus et plus de données, les réseaux de neurones continuent d’apprendre et de s’améliorer. Les principales limites de leur capacité sont les plus grands ensembles de données et la puissance de calcul pour former les modèles. Dans les soins de santé, la création d’ensembles de données qui protègent la vie privée et qui représentent fidèlement les soins cliniques réels est une priorité clé pour faire progresser le développement de modèles.

Les LLM peuvent représenter un changement de paradigme dans l’application de l’IA pour les soins de santé. En raison de leur facilité avec le langage et le texte, ils sont une bonne correspondance avec les dossiers électroniques dans lesquels presque toutes les données sont du texte. Ils n’ont pas non plus besoin de données fortement annotées pour la formation mais peuvent utiliser des ensembles de données existants. Les deux principaux défauts de ces modèles sont que 1) ils n’ont pas de modèle de monde ou de compréhension des données qui sont analysées (ils ont été appelés une simple autocomplétion), et 2) ils peuvent halluciner ou confabuler, en inventant du texte ou des images qui semblent exacts mais créent des informations présentées comme des faits.

Les cas d’utilisation explorés pour l’IA incluent l’automatisation et le renforcement de la lecture des images de radiologie, des images de la rétine et d’autres données d’image ; la réduction de l’effort et l’amélioration de l’exactitude de la documentation clinique, une source majeure de burn-out des cliniciens ; une meilleure communication avec les patients, plus empathique ; et l’amélioration de l’efficacité des fonctions de back-office comme le cycle de revenu, les opérations et la facturation.

Exemples du monde réel

L’IA a été introduite de manière incrémentale dans les soins cliniques dans l’ensemble. L’utilisation réussie de l’IA a généralement suivi des essais révisés par des pairs de performance qui ont démontré le succès et, dans certains cas, l’approbation de la FDA pour une utilisation.

Parmi les premiers cas d’utilisation dans lesquels l’IA fonctionne bien se trouvent la détection de maladies dans les images d’examen de la rétine et la radiologie. Pour les examens de la rétine, la littérature publiée sur les performances de ces modèles a été suivie du déploiement de la fundoscopie automatisée pour détecter les maladies de la rétine dans les milieux ambulatoires. Les études de segmentation d’images, avec de nombreux succès publiés, ont abouti à plusieurs solutions logicielles qui fournissent un soutien décisionnel pour les radiologues, en réduisant les erreurs et en détectant les anomalies pour rendre les flux de travail des radiologues plus efficaces.

Les nouveaux grands modèles de langage sont explorés pour une assistance avec les flux de travail cliniques. La voix ambiante est utilisée pour améliorer l’utilisation des dossiers de santé électroniques (DSE). Actuellement, les scribes IA sont mis en œuvre pour aider à la documentation médicale. Cela permet aux médecins de se concentrer sur les patients tandis que l’IA prend soin du processus de documentation, améliorant ainsi l’efficacité et l’exactitude.

En outre, les hôpitaux et les systèmes de santé peuvent utiliser les capacités de modélisation prédictive de l’IA pour stratifier les patients en fonction des risques, en identifiant les patients qui sont à haut risque ou à risque croissant et en déterminant le meilleur plan d’action. En fait, les capacités de détection de cluster de l’IA sont de plus en plus utilisées dans la recherche et les soins cliniques pour identifier les patients ayant des caractéristiques similaires et déterminer le cours d’action clinique typique pour eux. Cela peut également permettre des essais cliniques virtuels ou simulés pour déterminer les parcours de traitement les plus efficaces et mesurer leur efficacité.

Un cas d’utilisation futur peut être l’utilisation de modèles de langage alimentés par l’IA dans la communication médecin-patient. Ces modèles ont été trouvés pour avoir des réponses valides pour les patients qui simulent des conversations empathiques, ce qui facilite la gestion des interactions difficiles. Cette application de l’IA peut grandement améliorer les soins aux patients en fournissant une triage plus rapide et plus efficace des messages des patients en fonction de la gravité de leur état et du message.

Défis et considérations éthiques

Un défi avec la mise en œuvre de l’IA dans les soins de santé est de garantir la conformité réglementaire, la sécurité des patients et l’efficacité clinique lors de l’utilisation d’outils d’IA. Alors que les essais cliniques sont la norme pour les nouveaux traitements, il y a un débat sur si les outils d’IA devraient suivre la même approche. Une autre préoccupation est le risque de violation de données et de confidentialité des patients compromise. Les grands modèles de langage formés sur des données protégées peuvent potentiellement fuir les données sources, ce qui pose une menace significative pour la confidentialité des patients. Les organisations de soins de santé doivent trouver des moyens pour protéger les données des patients et prévenir les violations pour maintenir la confiance et la confidentialité. Les préjugés dans les données de formation sont également un défi critique qui doit être abordé. Pour éviter les modèles biaisés, de meilleures méthodes pour éviter les préjugés dans les données de formation doivent être introduites. Il est crucial de développer des formations et des approches académiques qui permettent une meilleure formation de modèles et qui intègrent l’équité dans tous les aspects des soins de santé pour éviter les préjugés.

L’utilisation de l’IA a ouvert un certain nombre de nouvelles préoccupations et de frontières pour l’innovation. Des études plus approfondies sont nécessaires pour déterminer où se trouvent les véritables avantages cliniques de l’utilisation de l’IA. Pour relever ces défis et ces préoccupations éthiques, les organisations de fournisseurs de soins de santé et les sociétés de logiciels doivent se concentrer sur le développement d’ensembles de données qui modélisent avec précision les données de soins de santé tout en garantissant l’anonymat et en protégeant la vie privée. De plus, des partenariats entre les fournisseurs de soins de santé, les systèmes et les sociétés de technologie/logiciels doivent être établis pour apporter les outils d’IA dans la pratique de manière sûre et réfléchie. En abordant ces défis, les organisations de soins de santé peuvent exploiter le potentiel de l’IA tout en respectant la sécurité des patients, la confidentialité et l’équité.