Résumé: Une nouvelle étude révèle les limites de l’utilisation actuelle des modèles mathématiques pour la médecine personnalisée, en particulier dans le traitement de la schizophrénie. Bien que ces modèles puissent prédire les résultats pour les patients dans des essais cliniques spécifiques, ils échouent lorsqu’ils sont appliqués à différents essais, remettant en question la fiabilité des algorithmes basés sur l’IA dans divers contextes.
Cette étude souligne la nécessité pour les algorithmes de démontrer leur efficacité dans de multiples contextes avant de pouvoir réellement leur faire confiance. Les résultats mettent en évidence un écart important entre le potentiel de la médecine personnalisée et son application pratique actuelle, compte tenu notamment de la variabilité des essais cliniques et des contextes médicaux réels.
Faits marquants:
Source: Yale
La quête d’une médecine personnalisée, une approche médicale dans laquelle les praticiens utilisent le profil génétique unique d’un patient pour adapter un traitement individuel, est devenue un objectif essentiel dans le secteur des soins de santé. Mais une nouvelle étude menée par Yale montre que les modèles mathématiques actuellement disponibles pour prédire les traitements ont une efficacité limitée.
Dans une analyse d’essais cliniques portant sur plusieurs traitements de la schizophrénie, les chercheurs ont découvert que les algorithmes mathématiques étaient capables de prédire les résultats pour les patients dans le cadre des essais spécifiques pour lesquels ils avaient été développés, mais ne fonctionnaient pas pour les patients participant à différents essais.
Les résultats sont publiés le 11 janvier dans la revue Science.
“Cette étude remet vraiment en question le statu quo du développement d’algorithmes et élève la barre pour l’avenir”, a déclaré Adam Chekroud, professeur adjoint adjoint de psychiatrie à la Yale School of Medicine et auteur correspondant de l’article. “À l’heure actuelle, je dirais que nous devons voir les algorithmes fonctionner dans au moins deux contextes différents avant de pouvoir vraiment nous enthousiasmer.”
“Je suis toujours optimiste”, a-t-il ajouté, “mais en tant que chercheurs en médecine, nous avons de sérieuses choses à résoudre.”
Chekroud est également président et cofondateur de Spring Health, une entreprise privée qui fournit des services de santé mentale.
La schizophrénie, un trouble cérébral complexe qui touche environ 1 % de la population américaine, illustre parfaitement la nécessité de traitements plus personnalisés, affirment les chercheurs. Jusqu’à 50 % des patients diagnostiqués comme schizophrènes ne répondent pas au premier médicament antipsychotique prescrit, mais il est impossible de prédire quels patients répondront aux thérapies et lesquels ne le feront pas.
Les chercheurs espèrent que les nouvelles technologies utilisant l’apprentissage automatique et l’intelligence artificielle pourront produire des algorithmes permettant de mieux prédire quels traitements fonctionneront pour différents patients, et contribueront à améliorer les résultats et à réduire les coûts des soins.
Toutefois, en raison du coût élevé de la réalisation d’un essai clinique, la plupart des algorithmes ne sont développés et testés qu’à l’aide d’un seul essai clinique. Mais les chercheurs espéraient que ces algorithmes fonctionneraient s’ils étaient testés sur des patients présentant des profils similaires et recevant des traitements similaires.
Pour la nouvelle étude, Chekroud et ses collègues de Yale voulaient voir si cet espoir était vraiment vrai. Pour ce faire, ils ont regroupé les données de cinq essais cliniques sur les traitements de la schizophrénie mis à disposition via le projet Yale Open Data Access (YODA), qui préconise et soutient le partage responsable des données de recherche clinique.
Dans la plupart des cas, ont-ils découvert, les algorithmes prédisaient efficacement les résultats des patients pour l’essai clinique dans lequel ils avaient été développés. Cependant, ils n’ont pas réussi à prédire efficacement les résultats pour les patients schizophrènes traités dans le cadre de différents essais cliniques.
“Les algorithmes ont presque toujours fonctionné du premier coup”, a déclaré Chekroud. “Mais lorsque nous les avons testés sur des patients d’autres essais, la valeur prédictive n’était pas supérieure au hasard.”
Le problème, selon Chekroud, est que la plupart des algorithmes mathématiques utilisés par les chercheurs en médecine ont été conçus pour être utilisés sur des ensembles de données beaucoup plus volumineux. Les essais cliniques sont coûteux et longs à mener, de sorte que les études recrutent généralement moins de 1 000 patients.
L’application des puissants outils d’IA à l’analyse de ces ensembles de données plus petits, a-t-il déclaré, peut souvent entraîner un « surajustement », dans lequel un modèle a appris des modèles de réponse idiosyncratiques, ou spécifiques uniquement aux données de l’essai initial, mais qui disparaissent lorsque de nouvelles données supplémentaires sont incluses.
« La réalité est que nous devons penser au développement d’algorithmes de la même manière que nous pensons au développement de nouveaux médicaments », a-t-il déclaré. « Nous devons voir les algorithmes fonctionner à plusieurs moments ou contextes différents avant de pouvoir vraiment y croire. »
À l’avenir, l’inclusion d’autres variables environnementales pourrait ou non améliorer le succès des algorithmes dans l’analyse des données des essais cliniques, ont ajouté les chercheurs. Par exemple, le patient abuse-t-il de drogues ou bénéficie-t-il du soutien personnel de sa famille ou de ses amis ? C’est le genre de facteurs qui peuvent affecter les résultats du traitement.
La plupart des essais cliniques utilisent des critères précis pour améliorer les chances de succès, tels que des lignes directrices pour lesquelles les patients doivent être inclus (ou exclus), une mesure minutieuse des résultats et des limites sur le nombre de médecins administrant des traitements. Les contextes du monde réel, quant à eux, présentent une plus grande variété de patients et une plus grande variation dans la qualité et la cohérence du traitement, affirment les chercheurs.
« En théorie, les essais cliniques devraient être le lieu de travail le plus simple pour les algorithmes. Mais si les algorithmes ne peuvent pas être généralisés d’un essai clinique à un autre, il sera encore plus difficile de les utiliser dans la pratique clinique », a déclaré le co-auteur John Krystal, professeur Robert L. McNeil, Jr. de recherche translationnelle et professeur de psychiatrie, de neurosciences et de psychologie à la Yale School of Medicine. Krystal est également présidente du département de psychiatrie de Yale.
Chekroud suggère que des efforts accrus pour partager des données entre chercheurs et la mise en banque de données supplémentaires par les prestataires de soins de santé à grande échelle pourraient contribuer à accroître la fiabilité et la précision des algorithmes basés sur l’IA.
“Bien que l’étude porte sur des essais sur la schizophrénie, elle soulève des questions difficiles pour la médecine personnalisée en général et sur son application dans les maladies cardiovasculaires et le cancer”, a déclaré Philip Corlett, professeur agrégé de psychiatrie à Yale et co-auteur de l’étude.
Les autres auteurs de l’étude à Yale sont Hieronimus Loho ; Ralitza Gueorguieva, chercheuse scientifique principale à la Yale School of Public Health ; et Harlan M. Krumholz, professeur Harold H. Hines Jr. de médecine (cardiologie) à Yale.
À propos de cette actualité de la recherche en IA et médecine personnalisée
Auteur: Bess Connolly
Source: Yale
Contact: Bess Connolly – Yale
Image: L’image est créditée à Neuroscience News
Recherche originale : Accès fermé.
“Généralisabilité illusoire des modèles de prédiction clinique» par Adam Chekroud et al. Science
Abstrait
Généralisabilité illusoire des modèles de prédiction clinique
On espère largement que les modèles statistiques pourront améliorer la prise de décision liée aux traitements médicaux. En raison du coût et de la rareté des données sur les résultats médicaux, cet espoir repose généralement sur l’observation par les enquêteurs du succès d’un modèle dans un ou deux ensembles de données ou contextes cliniques.
Nous avons examiné cet optimisme en examinant les performances d’un modèle d’apprentissage automatique dans le cadre de plusieurs essais cliniques indépendants sur les médicaments antipsychotiques pour la schizophrénie.
Les modèles ont prédit les résultats pour les patients avec une grande précision au cours de l’essai dans lequel le modèle a été développé, mais n’ont pas eu de meilleurs résultats que le hasard lorsqu’ils ont été appliqués hors échantillon. La mise en commun des données entre les essais pour prédire les résultats de l’essai laissé de côté n’a pas amélioré les prédictions.
Ces résultats suggèrent que les modèles prédisant les résultats du traitement dans la schizophrénie dépendent fortement du contexte et peuvent avoir une généralisabilité limitée.
2024-01-21 01:08:57
1705807766
#Repenser #médecine #personnalisée #les #limites #lIA #dans #les #essais #cliniques
