23. ACTUALITE DE L’ETUDE DU TETANOS CHEZ L’ADULTE, .pdf
Intelligence artificielle et décision médicale
1. S
Intelligence artificielle et
décision médicale : vers une
révolution ?
Hubert Nielly,
Interne de Médecine interne
Association des Jeunes Internistes
Service de Médecine interne et Rhumatologie, Hôpital d’Instruction des Armées PERCY,
Clamart
2. S
Déclaration de liens d’intérêt potentiels
Intelligence artificielle et décision médicale : vers une
révolution ?
Conférencier : Dr NIELLY Hubert, Issy-les-Moulineaux
Je n’ai pas de lien d’intérêt potentiel à déclarer
3. S MeSH term: « Decision-making, computer-assisted »
S introduit en 1987
S 77383 références en mai 2016
S surtout depuis 2003-2004
S Journaux
S Artificial intelligence in medicine (impact factor 1,356 en 2013,
2,019 en 2014)
S « Lois » de Moore
S Nombre d’opérations par seconde: 2x1014 pour le cerveau
humain (horizon 2019)
Introduction
5. Décevant jusqu’à présent
S Revue systématique 2014
S pas de gain de mortalité
S gain de morbidité marginal
S pas de gain de coût
S Surcroît de mortalité à l’hôpital de Pittsburg (2005)
Moja L et al. Effectiveness of computerized decision support systems linked to electronic
health records: a systematic review and meta-analysis. American Journal of Public Health
2014. 104(12):e12-22.
Yong Y et al. Unexpected increased mortality after implementation of a commercially sold
computerized physician order entry system. Pediatrics 2005. 116(6):1506-12.
7. Intelligence
S Humains S Machines
Cas singulier Règle générale
Etude rétrospective
Validation
prospective
Analyse des données
Décision
8. Niveaux d’intelligence
S Niveau 1 = exécuter
S Niveau 2 = apprendre et réappliquer
(algorithmes évolutifs)
S Niveau 3 = s’adapter intelligemment
(permet de traiter une situation inédite)
12. Méthodes actuelles
S Algorithmes évolutifs
S Chainage avant ou arrière
S Faits binaires ou exprimés en terme de probabilité
(système Bayesien)
S Reconnaissance de situations caractéristiques (patterns)
S Machine learning (apprentissage automatique)
S Deep learning
17. Exemple
S Watson Health
S À partir des données du patient
S Interrogation d’une banque de données
S Proposition de traitement avec justification par références
S Aide pour
S Le diagnostic
S Le traitement
S L’inclusion dans les essais cliniques
S La recherche
18. Architecture
S Structure / processeur S Bases de données « Big
data »
Représentation
de connaissance
Littérature médicaleDonnées
du patient
Question
posée Réponses
fournies
Pondération Feed
back
27. Limites / différence de
conception
S Quelle littérature est analysée?
S Analyse de l’abstract ou du corps de l’article?
S Démocratie intellectuelle?
S Sécurité des données / anonymisation ?
S Langage commun
S Cas rares
S Coût
28. Nécessaire pour l’avenir?
S Masse d’information médicale
S Masse de paramètres à prendre en compte pour chaque
patient
S Vers un dossier médical informatique connecté ?
Notes de l'éditeur
20 minutes tout compris (donc 17 min)
Je passe après les objets connectés et les sms, et avant les réseaux sociaux
Chacun d’entre nous a déjà eu recours à une décision médicale assistée par un ordinateur (exemple holter ECG, systèmes experts de détection de contre-indications)
La vraie question c’est quelle place prend l’ordinateur, notamment pour les décisions critiques de diagnostic ou de traitement
Quelle est la différence entre ce qui se développe aujourd’hui et un simple moteur de recherche comme Pub Med
MeSh = Medical Subject Headings
Manque de maturité des systèmes, manque de formation ou d’habitude des utilisateurs
Poids des études anciennes Pediatrics 2005 Han et al passage de 2,8 à 6,57% de mortalité; OR 3,28 après analyse multivariée
NB articles de artificial intelligence in medicine: que des auto-évaluations
Étude 2015 médiatisée avec meilleur diagnostic par la machine que par les experts
Comprendre ça se comprend tout seul, concevoir une réalité invisible mais sous-tendue par la somme des cas réels (règle générale) et au final articuler les connaissances pour avoir l’audace de croire que l’on connaît qqchose
Comprendre les règles fondamentales au-delà de leur simple application visible
Test de Turing = se faire passer pour un être humain
Exécuter = niveau distributeur (externe)
Niveau 2 = interne
Niveau 3 = expert
Watson d’IBM
Deep Mind Health de Google
Chainage avant = aboutir à un diagnostic ou à une décision à partir de données
Chaînage arrière: identifier quel examen manque pour conclure
Algorithme totaux ou exploration des nœuds de décision hiérarchisée (heuristique) ou choix de la meilleure solution à chaque fois (mais du coup seule la solution la plus probable est donnée); problème de la hiérarchie entre le fréquent et le grave;
probabiliste = Bayesien; Système bayesien: établit une probabilité à chaque étape et fournit un degré de certitude de la réponse
I-internist
Algorithme peut être simple (à gauche) ou plus compliqué avec de multiples possibilités.
Il peut être évolutif puisqu’on voit bien que selon le bas que cette jeune femme va choisir pour sortir ce soir, la probabilité de choisir chaque haut n’est pas la même, et donc le système peut s’adapter en permanence; l’avantage du système c’est qu’il peut faire ses choix rapidement grâce au développement techniques du nombre d’opérations par seconde possibles. Et même sur le fond, le système Watson d’IBM a été utilisé pour inventer des recettes de cuisine, on pourrait tout à fait imaginer une application dans la mode…
On laisse le système détecter des signaux faibles qui combinés deviennent plus forts que des signaux forts qu’un programmeur aurait pu édicter (règle) (pblème du moteur de règle = l’exception qui si elle se multiplie rend vite le système impossible à gérer et contradictoire; analyse du contexte aussi aide l’ordinateur (exemple du A du haut à droite: est-ce un 8 ou un A?
ATTENTION: nécessite un entraînement avec des sujets contrôlés
Idem pour les questions posées: on fournit au système différentes manières de poser la même question
On laisse le système détecter des signaux faibles qui combinés deviennent plus forts que des signaux forts qu’un programmeur aurait pu édicter (règle) (pblème du moteur de règle = l’exception qui si elle se multiplie rend vite le système impossible à gérer et contradictoire; analyse du contexte aussi aide l’ordinateur (exemple du A du haut à droite: est-ce un 8 ou un A?
ATTENTION: nécessite un entraînement avec des sujets contrôlés
Idem pour les questions posées: on fournit au système différentes manières de poser la même question
La recherche: identification de liens entre différentes entités
NB démarche du Memorial Sloane Kettering cancer Center = partager leur expertise avec les hôpitaux généraux
Nécessité de droits pour la littérature (accords avec Elsevier, etc)
Recueil de données en temps réel et exploitation des big data = détection d’effet indésirable plus rapidement en phase 4, et pondération des « mauvaises études »
NB démarche du Memorial Sloane Kettering cancer Center = partager leur expertise avec les hôpitaux généraux
Nécessité de droits pour la littérature (accords avec Elsevier, etc)
Exemple PMSI pyélonéphrite vs néphropathie interstitielle (to be checked)
Démocratie intellectuelle: partir du principe qu’il y a plus de vrai que de faux et que le feed-back améliore le système (mais finalement: quelle est la référence?) / Wikipedia est plus à jour que Brittanica (loi du nombre de personnes expertes qui peuvent intervenir)
Watson est une aide pour les cas rares si un certain nombre de cas a déjà été décrit; en recherche, Watson permet d’établir des liens, la pertinence des liens est apportée par /dépendante de la manière d’entraîner le système
Pr d’endoc à Lyon (Pugeat?) qui se demandait comment on allait pouvoir intégrer toutes les infos génétiques
De toute façon, ça va être l’avenir
Gandhi les 7 fautes sociales de l’humanité comprennent « la connaissance sans volonté, la science sans humanisme »
Les médecins resteront car il faut qqn pour « nourrir » le système, il faut une relation médecin patient
« La technologie n’a pas capacité à humaniser la relation de soins »