Le potentiel des apprentissages automatiques pour améliorer le diagnostic médical

Selon la Society to Improve Diagnosis in Medicine, les erreurs de diagnostic sont parmi les erreurs médicales les plus courantes, les plus catastrophiques et les plus coûteuses. Il estime également que les erreurs affectent plus de 12 millions d’Américains chaque année, avec des coûts associés probablement supérieurs à 100 milliards de dollars. Un diagnostic médical précis est une première étape essentielle dans les soins aux patients et améliore considérablement les chances globales des patients d’obtenir des résultats positifs pour la santé.

Ces dernières années, l’apprentissage automatique, un type d’intelligence artificielle (IA), est devenu un outil puissant pour améliorer le diagnostic médical. Les technologies d’apprentissage automatique sont formées pour identifier les modèles qui peuvent être cachés ou complexes. Par exemple, après avoir fourni à un ordinateur de grandes quantités de données, l’apprentissage automatique peut identifier la structure et les modèles dans les données. Ensuite, il peut utiliser ces modèles pour prédire les réponses aux problèmes ou regrouper les informations en groupes utiles à des fins de comparaison, telles que des images similaires de lésions cancéreuses. L’apprentissage automatique peut également être utilisé pour identifier des modèles qui peuvent être cachés ou complexes, tels que les détails de l’imagerie des rayons X, des ultrasons et de l’imagerie par résonance magnétique (IRM).

L’article WatchBlog d’aujourd’hui examine nos travaux récents sur l’utilisation de l’apprentissage automatique pour fournir de nouvelles capacités de diagnostic médical, ainsi que certains des défis auxquels cette technologie est confrontée pour se généraliser.

Comment l’apprentissage automatique pourrait-il affecter le diagnostic médical ?

Bien qu’encore aux premiers stades de sa mise en œuvre, l’apprentissage automatique a le potentiel de fournir plus de précision dans les résultats de diagnostic, ainsi que d’économiser du temps et de l’argent, et surtout, de sauver des vies.

Par exemple, l’apprentissage automatique pourrait détecter les maladies plus tôt. Six Américains sur 10 vivent avec au moins une fois une maladie chronique, comme le cancer ou une maladie cardiaque. L’apprentissage automatique est capable d’aider au diagnostic du cancer en utilisant les données de l’imagerie médicale pour détecter, mesurer et analyser les tumeurs. En appliquant son avantage en matière de puissance de calcul pour effectuer des analyses de données et d’images plus rapidement que les professionnels de la santé humains ne peuvent le faire seuls, l’apprentissage automatique pourrait effectuer des dépistages en moins de temps. Cela pourrait réduire les temps d’attente de référence pour les patients à haut risque et alléger le fardeau des cliniques qui font face à un manque de personnel ou à d’autres défis.

Les technologies d’apprentissage automatique pourraient également améliorer la cohérence et la précision du diagnostic en supprimant les situations qui contribuent à l’erreur humaine. Par exemple, les spécialistes humains qui effectuent un diagnostic sont affectés par des facteurs tels que la fatigue et peuvent varier dans leur interprétation des données et des images.

L’apprentissage automatique pourrait également élargir l’accès aux soins de santé. Certaines régions et populations des États-Unis ont un accès limité aux professionnels de la santé. Cette technologie émergente pourrait automatiser certaines tâches, ce qui pourrait réduire les charges de travail cliniques et permettre aux non-spécialistes d’effectuer des tâches complexes, telles que l’imagerie et l’analyse cardiaques. Cela pourrait permettre aux professionnels de la santé d’atteindre des segments plus larges de la population dans le cadre de soins à domicile ou de plus petits établissements cliniques, et de fournir à davantage de patients un accès aux soins.

Quelle est l’étendue de l’apprentissage automatique dans les soins de santé et qu’est-ce qui pourrait limiter son utilisation ?

Plusieurs technologies d’apprentissage automatique sont utilisées par les professionnels de la santé aux États-Unis, la plupart des technologies reposant sur des données d’imagerie telles que les rayons X ou les IRM. Nos travaux récents ont examiné comment l’apprentissage automatique était utilisé pour diagnostiquer cinq maladies courantescertains cancers, la rétinopathie diabétique, la maladie d’Alzheimer, les maladies cardiaques et le COVID-19. Le cancer était l’application actuelle la plus courante reposant sur l’imagerie, et l’apprentissage automatique était utilisé pour aider à détecter, mesurer et analyser les tumeurs et les lésions.

Alors que les chercheurs continuent d’étendre les capacités d’IA et d’apprentissage automatique dans les diagnostics médicaux, ces technologies n’ont généralement pas été largement adoptées et sont confrontées à un certain nombre de défis limitant une utilisation plus répandue. Par exemple, certains prestataires médicaux peuvent être réticents à utiliser l’apprentissage automatique dans leurs cliniques jusqu’à ce que ses performances soient plus largement prouvées dans divers contextes cliniques. Le manque de connaissances de certains professionnels de la santé sur la manière dont l’apprentissage automatique s’intégrerait à leur flux de travail et l’améliorerait, ainsi que les lacunes dans les directives et les exigences réglementaires, ainsi que le coût de mise en œuvre et de maintenance, peuvent également limiter son développement et son utilisation.

Notre récent rapport détaille ces défis et propose des options politiques que les législateurs peuvent envisager. Celles-ci incluent des politiques visant à encourager ou à exiger l’évaluation des technologies de diagnostic d’apprentissage automatique dans une gamme de paramètres du monde réel, à élargir l’accès à des données médicales de haute qualité et à promouvoir la collaboration entre les développeurs, les fournisseurs et les régulateurs. Apprenez-en davantage sur l’apprentissage automatique et l’IA dans les diagnostics médicaux en consultant notre rapport.