L’IA dans le secteur de la santé : comment s’en sortira-t-on demain ?

Ce n’est jamais calme dans l’unité de soins intensifs. Le toot-tut-tut qui s’approfondit lentement de l’oxymètre de pouls indique un manque imminent d’oxygène. Une pompe à médicaments vide attire l’attention avec un grincement. La chose la plus alarmante est le bip de l’alarme d’urgence. Désormais, chaque minute compte. Combien de médecins se sont tenus en sueur devant un patient gravement malade et auraient souhaité pouvoir prédire cette urgence ?

Le neurologue Nils Schweingruber s’efforce de réaliser ce souhait. Il essaie de regarder vers l’avenir – au moins pendant quelques heures. Il n’y a pas si longtemps, il travaillait lui-même dans une unité de soins intensifs. À l’hôpital universitaire de Hambourg-Eppendorf (UKE), il a soigné des patients souffrant d’accidents vasculaires cérébraux graves et d’hémorragies cérébrales. Des patients dont le cerveau enflait et se pressait contre l’intérieur de leur crâne, menaçant de s’écraser. Il existe normalement une pression d’environ 0,013 bar dans le cerveau. La pression intracrânienne peut augmenter considérablement en raison d’un gonflement, d’une tumeur ou d’un saignement. Il existe un danger de mort au plus tard à partir de 0,05 bar. Une ventilation spéciale, des médicaments décongestionnants et une anesthésie peuvent réduire la pression intracrânienne. En guise de dernière mesure, les neurochirurgiens enlèvent une partie du crâne pour faire place au cerveau.

Il serait préférable de pouvoir détecter une crise de pression intracrânienne avant qu’elle ne se produise, mais même les médecins de soins intensifs expérimentés trouvent cela difficile. Schweingruber a eu une idée : les moniteurs, ventilateurs et capteurs auxquels sont connectés les patients de l’unité de soins intensifs produisent non seulement des tonalités d’alarme, mais aussi une quantité infinie de données. Dans le dossier patient numérique, celles-ci sont liées aux valeurs de laboratoire et aux notes médicales. La solution pourrait-elle se cacher dans cette mer de données ?

L’UKE est passée au numérique très tôt et garde un trésor rare, à savoir les données de près de 1 400 patients atteints de pression intracrânienne traités dans des unités de soins intensifs au cours de la dernière décennie. Cela correspond à 63 ans de traitement. Un camp d’entraînement parfait pour eux intelligence artificielle (IA). Nils Schweingruber a demandé à un algorithme d’IA de rechercher des modèles dans les données, et l’IA a en fait trouvé un lien entre les données vitales, de laboratoire et de l’appareil, d’une part, et la pression intracrânienne, d’autre part. Le programme peut prédire une crise de pression intracrânienne dans les six heures suivantes avec une précision de 85 pour cent. C’est suffisamment de temps pour initier le traitement correct.

Une équipe britannique programmée un «médecin IA» qui a passé au peigne fin les données de 90 000 patients souffrant d’une grave intoxication sanguine (septicémie). Dans une comparaison virtuelle, il prenait des décisions avec beaucoup plus de précision qu’un collègue humain et aurait en réalité sauvé de nombreuses vies. Des scientifiques suisses ont alimenté une IA avec les données de plus de 55 000 patients en soins intensifs, prédire l’insuffisance circulatoire. Lors d’un test, l’IA a prédit correctement 82 % des cas plus de deux heures avant l’événement.

Pour que de telles prédictions de l’IA soient fiables, trois facteurs doivent être réunis, explique l’éthicien médical Vince Madai, chef de l’équipe de projet « Algorithmes responsables » à l’Institut de recherche en santé de Berlin, responsable de Charité entendu. Premièrement, beaucoup de données. La plupart du temps : plus c’est, mieux c’est. Deuxièmement, les IA fonctionnent avec des chiffres. Il est beaucoup plus facile pour une IA de détecter un accident vasculaire cérébral ou une fracture que la dépression, car elle peut lire chaque pixel d’une radiographie ou d’une IRM comme un nombre, mais pas comme des pensées tristes. Le troisième facteur est la disponibilité des données : en raison des directives allemandes strictes en matière de protection des données, de nombreux domaines étaient auparavant inaccessibles à l’IA. Il existe cependant un certain nombre de bases de données librement accessibles pour les patients en soins intensifs.

Cependant, certaines IA ont lamentablement échoué dans la pratique. Par exemple, les prévisions sur le sepsis d’une grande société américaine de logiciels de santé, qui avaient le taux de réussite promis de 80 % lors de la phase de test. manqué de loin. Au lieu de cela, elle n’a reconnu qu’un tiers des empoisonnements du sang survenus dans la vie quotidienne à l’hôpital, et en même temps, 90 pour cent des avertissements étaient de fausses alarmes. Ce qui s’est passé? Le principal problème était une fuite de données. C’est ainsi qu’on appelle une IA lorsqu’elle est entraînée avec des données qui n’existent même pas dans la pratique. Dans ce cas, l’administration d’antibiotiques était incluse dans la formation en IA. Cependant, lorsqu’un patient reçoit des antibiotiques, cela signifie que l’équipe médicale a déjà envisagé une infection. L’IA a atteint un haut niveau de précision dans le test, mais dans la pratique, elle n’a pas réussi à détecter la septicémie plus tôt que les experts. Elle avait triché.