L'IA en médecine : 5 applications concrètes éprouvées avec exemples pratiques

Il est indéniable que l'intelligence artificielle (IA) est devenue omniprésente. Elle devient de plus en plus sophistiquée dans l'accomplissement de tâches humaines de manière efficace : apprendre, raisonner et appliquer la logique.

Comme dans de nombreux autres secteurs d'activité, l'IA possède un vaste potentiel pour améliorer l'industrie médicale.

Vous utilisez peut-être déjà quelques wearables dotés d'IA pour suivre votre santé : FitBit, montre connectée ou ceinture intelligente.

Si vous regardez de près, vous trouverez de nombreux exemples d'IA en médecine. Elle s'intègre progressivement à notre écosystème de santé.

Dans cet article, nous examinons les applications réelles et les cas d'usage de l'IA dans le domaine médical.

L'IA en médecine : les tendances du marché

L'intelligence artificielle est appelée à jouer un rôle majeur en médecine et dans les soins de santé.

Plusieurs raisons expliquent cette évolution :

• Les progrès de la puissance de calcul
• Les algorithmes d'apprentissage
• La disponibilité de données massives issues des dossiers médicaux
• Les dispositifs de santé connectés

Le marché de l'IA dans la santé croît jour après jour, et les tendances sont plus que prometteuses.

Valeur du marché

Selon les rapports, la valeur de l'IA sur le marché mondial de la santé devrait passer de 3,14 milliards USD en 2019 à 23,85 milliards USD d'ici 2025.

Une croissance à un TCAC (taux de croissance annuel composé) de 40,15 % est attendue sur la période de prévision 2020-2025.

Analyse par secteur d'utilisation

Le segment publicité et médias a dominé le marché de l'IA en 2019 avec plus de 20 % de parts de revenus mondiaux. Le secteur de la santé devrait devenir le leader du marché de l'IA d'ici 2027.

Applications réelles de l'IA en médecine

Avec un volume élevé de données disponibles, l'IA est prête à devenir le moteur de la transformation dans le secteur médical.

Grâce à l'intelligence artificielle, les algorithmes d'apprentissage deviennent plus précis et nous permettent, à nous humains, d'obtenir des informations précieuses sur les diagnostics, les traitements et les processus de soins.

Voici quelques applications concrètes de l'IA en médecine qui bénéficient à la fois aux patients et aux médecins.

1. Diagnostic des maladies

Un diagnostic correct est la clé d'un traitement réussi. En cas d'erreur diagnostique, beaucoup de choses peuvent mal tourner. Il est donc crucial de l'établir correctement, mais ce n'est pas toujours facile.

L'application de l'IA au diagnostic médical apporte de nombreux avantages à l'industrie.

Les logiciels basés sur l'IA peuvent évaluer si un patient souffre d'une pathologie particulière avant même l'apparition de symptômes évidents. Et dans la majorité des cas, ces prédictions sont exactes.

L'IA rend le diagnostic moins coûteux et plus accessible.

L'apprentissage automatique, notamment les algorithmes de deep learning, est largement utilisé aujourd'hui pour le diagnostic automatisé des maladies.

L'apprentissage automatique dans le diagnostic des maladies

Les algorithmes d'apprentissage automatique apprennent à repérer des schémas de la même manière que les médecins. Une différence majeure : les algorithmes ont besoin de nombreux exemples concrets pour apprendre. Ces exemples doivent être numérisés car les machines ne peuvent pas lire entre les lignes des manuels.

L'apprentissage automatique est particulièrement utile dans les domaines où l'information diagnostique examinée par le médecin est déjà numérisée. Par exemple, les images IRM, scanners CT et radiographies contiennent d'énormes quantités de données complexes, difficiles et chronophages à évaluer pour les humains.

L'apprentissage automatique peut s'avérer précieux pour :

• Détecter les tumeurs cérébrales ou le cancer du poumon sur des scanners CT
• Évaluer le risque d'arrêt cardiaque soudain ou d'autres maladies cardiaques sur ECG et IRM cardiaques
• Classifier les lésions cutanées sur des images de peau
• Repérer les traces de rétinopathie diabétique sur des images oculaires

Pourquoi utiliser l'IA alors que les médecins peuvent faire tout ce qui précède ?

Vous vous demandez peut-être pourquoi recourir à l'IA quand il y a des médecins pour le faire ?

Les techniques d'IA comme l'apprentissage automatique agissent comme une seconde paire d'yeux capable d'évaluer la santé du patient grâce aux connaissances extraites des données disponibles.

Il existe une multitude de données utiles (CT, IRM, génomique, dossiers patients, notes manuscrites) dans les cas mentionnés. Avec toutes ces données, les algorithmes d'apprentissage automatique deviennent tout aussi efficaces que le diagnostic d'un expert.

Les algorithmes d'apprentissage automatique se distinguent par leur capacité à tirer des conclusions beaucoup plus rapidement, et les modèles peuvent être répliqués à faible coût dans le monde entier.

L'IA va-t-elle remplacer les médecins prochainement ?

Non.

Il est très peu probable que l'IA remplace les médecins à court terme. Elle sera plutôt utilisée pour mettre en évidence les tumeurs potentiellement malignes ou les motifs cardiaques menaçant le pronostic vital. Cela permettra aux médecins de se concentrer sur l'interprétation de ces signaux mis en évidence.

2. Développement de médicaments accéléré

Le développement d'un médicament est une activité médicale de plus en plus compétitive et coûteuse. Même avec les progrès technologiques, le coût de création d'un nouveau médicament augmente tous les quelques années. L'IA peut jouer un rôle significatif ici.

Les grandes entreprises pharmaceutiques et médicales utilisent l'IA pour réduire leurs coûts de R&D et éviter les erreurs coûteuses.

De nombreux processus analytiques dans le développement de médicaments peuvent être rendus plus efficaces grâce à l'apprentissage automatique, ce qui permet potentiellement d'économiser des millions d'investissements.

D'ici 2026, les applications de l'IA en santé pourraient générer 150 milliards USD d'économies annuelles pour l'économie de santé américaine.

Le développement de médicaments se divise en quatre étapes :

• Étape 1 – Identification de la cible pour l'intervention
• Étape 2 – Découverte des candidats médicaments
• Étape 3 – Accélération des essais cliniques
• Étape 4 – Identification de biomarqueurs pour le diagnostic de la maladie

Vous serez surpris d'apprendre que l'IA est déjà utilisée avec succès dans toutes ces étapes. Examinons chacune d'elles.

Étape 1 – Identification de la cible pour l'intervention

La première étape consiste à comprendre l'origine biologique d'une maladie et ses mécanismes de résistance, puis à identifier des cibles appropriées (généralement des protéines) pour la traiter.

Bien que les techniques à haut débit comme le criblage par ARN cheveux courts (shRNA) et le séquençage profond génèrent d'énormes quantités de données pour découvrir d'éventuelles voies cibles, les méthodes traditionnelles peinent encore à intégrer la grande variété de sources de données et à en extraire les schémas pertinents.

Les algorithmes d'apprentissage automatique analysent rapidement toutes les données disponibles et apprennent à identifier automatiquement les bonnes protéines cibles.

Étape 2 – Découverte des candidats médicaments

L'étape suivante consiste à trouver un composé capable d'interagir avec la molécule cible identifiée de la manière souhaitée.

Cela implique de cribler un grand nombre de composés potentiels pour leur effet sur la cible (affinité). Ces composés peuvent être naturels, synthétiques ou bio-ingénierisés.

Cependant, le système actuel génère des suggestions imprécises et inadéquates. En réalité, il faut beaucoup de temps pour finaliser les meilleurs candidats.

Les algorithmes d'apprentissage automatique aident ici : ils apprennent à prédire l'adéquation d'une molécule grâce aux empreintes structurales et descripteurs moléculaires. Ils parcourent ensuite des millions de molécules potentielles pour ne retenir que les meilleures options – celles aux effets secondaires minimes.

Cela permet donc de gagner un temps considérable dans la conception des médicaments.

Étape 3 – Accélération des essais cliniques

Trouver des candidats appropriés pour les essais cliniques n'est pas facile. Une mauvaise sélection prolongera l'essai, coûtant temps et ressources.

L'apprentissage automatique peut accélérer le processus. Il identifie les candidats appropriés et assure une bonne répartition des groupes de participants. L'algorithme peut être entraîné pour distinguer les bons candidats des mauvais.

La technologie IA fait trois choses pour les essais cliniques : les rend plus rapides, plus fiables et plus sûrs.

Elle peut aussi alerter par un signal précoce sur un essai qui ne produit pas de résultats concluants, permettant aux chercheurs d'intervenir plus tôt et de sauver le développement du médicament.

Étape 4 – Identification de biomarqueurs pour le diagnostic de la maladie

Le traitement d'un patient n'est possible que lorsque le diagnostic est certain.

Les biomarqueurs sont des molécules présentes dans les fluides corporels comme le sang qui confirment la présence ou non d'une maladie. Ils permettent aussi de suivre l'évolution de la pathologie.

Mais découvrir des biomarqueurs adaptés n'est pas simple. C'est un processus coûteux et long qui implique le criblage de milliers de molécules candidates.

L'IA automatise une grande partie du travail manuel et accélère le processus.

Les algorithmes classent les molécules en bons et mauvais candidats, aidant les experts à analyser les perspectives les plus prometteuses.

Les biomarqueurs servent à identifier :

• La présence de la maladie au plus tôt – biomarqueur diagnostique
• Le risque qu'un patient développe une maladie – biomarqueur de risque
• L'évolution probable d'une maladie – biomarqueur pronostique
• Si le patient répondra à un médicament – biomarqueur prédictif

Par exemple, en 2017, AstraZeneca (Royaume-Uni) a collaboré avec la biopharma Berg pour utiliser l'IA afin de trouver des biomarqueurs et médicaments pour les maladies neurologiques.

3. Assistant infirmier virtuel

Si on nous en donne le choix, beaucoup d'entre nous préféreraient éviter les visites à l'hôpital inutiles. Est-ce possible ?

Avec les assistants infirmiers virtuels, cela devient une réalité.

Ils réduisent les visites hospitalières inutiles et allègent la charge des professionnels de santé.

Un assistant infirmier virtuel alimenté par l'IA peut offrir une expérience personnalisée aux patients : identifier la maladie selon les symptômes, surveiller l'état de santé, planifier les rendez-vous médicaux, et bien plus. Il peut empêcher une situation chronique de s'aggraver.

Les assistants virtuels sont en forte croissance. Hôpitaux et professionnels les utilisent pour augmenter l'engagement des patients et améliorer leur autonomie.

4. Traitement personnalisé

Différents patients réagissent différemment aux médicaments et aux protocoles de traitement. Avec des options de traitement personnalisées, il existe un énorme potentiel pour augmenter l'espérance de vie des patients.

L'apprentissage automatique permet de fournir un traitement personnalisé.

Comment ?

Il aide à découvrir les caractéristiques indiquant qu'un patient aura une réponse spécifique à un traitement particulier. Il peut prédire la réponse probable d'un patient à un traitement donné.

Mais comment l'algorithme d'apprentissage automatique apprend-il cela ?

Le système apprend en croisant les données de patients similaires et en comparant leurs traitements et résultats. Cela aide grandement les médecins à concevoir le bon plan de traitement pour le patient.

5. Amélioration de l'édition génique

L'IA est également utilisée dans la recherche génomique.

Les techniques d'apprentissage automatique trouvent leur voie dans le séquençage et l'annotation du génome, et ce n'est que le début.

Elle est aussi utilisée dans le diagnostic basé sur le génome.

Si vous pensez que l'IA ne peut pas modifier nos gènes, il faut revoir votre avis.

Les CRISPR (Clustered Regularly Interspaced Short Palindromic Repeats), notamment le système CRISPR-Cas9 pour l'édition génique, ont permis un grand pas en avant dans notre capacité à modifier l'ADN de manière précise et rentable. D'autres outils comme les TALENs et ZFNs contribuent également à l'édition génique.

L'IA nous aide déjà de bien d'autres manières. Mais ce n'est que le début.

Plus nous pourrons numériser et unifier nos données médicales, plus nous pourrons utiliser l'IA pour prendre des décisions précises et rentables dans des processus analytiques complexes.

L'avenir de l'IA en médecine en 2021 et au-delà

L'intelligence artificielle a un potentiel immense, et pour le réaliser pleinement, des efforts conjugués d'experts en médecine, informatique, mathématiques et bien d'autres domaines seront nécessaires.

1. Explorer le potentiel de l'IA dans des domaines spécifiques

L'IA peut transformer la médecine dans les domaines suivants :

• Réduction des erreurs médicales

Les erreurs médicales mènent à des diagnostics erronés. Par exemple, dans le cancer du sein, les mammographies faussement négatives peuvent retarder le traitement de nombreuses femmes. L'IA est largement utilisée pour détecter les anomalies invisibles à l'œil humain.

• Rendre l'humain à la santé

C'est peut-être la contribution la plus bénéfique de l'IA. Le travail superflu de saisie de données peut être évité. Le médecin peut alors se consacrer au patient avec compassion sans se perdre dans la saisie de données.

• Se faire diagnostiquer grâce à une photo

L'avenir pourrait être l'ère du « selfie médical » pour se faire diagnostiquer uniquement avec un selfie.

2. Rendre les données accessibles à tous

Pensez-vous qu'il suffit de créer des produits médicaux basés sur l'IA ?

Non. Ce qui est plus important, c'est de rendre ces produits accessibles aux gens.

Prenons l'exemple des modèles d'IA américains pour les maladies pulmonaires qui n'incluent pas la tuberculose dans leur étiquetage. La tuberculose est un problème pour les pays en développement, moins aux États-Unis, donc les scans de tuberculose ne figurent pas dans les données d'entraînement.

Mais l'IA doit fonctionner partout pour tout le monde. Ajouter des images de tuberculose aux jeux de données permettrait de généraliser et démocratiser l'IA dans d'autres parties du monde.

3. IoMT – Internet des objets médicaux

Nous aurons besoin de nombreux autres dispositifs et applications mobiles qui joueront un rôle critique dans le suivi et la prévention des maladies chroniques pour les patients et leurs médecins.

Le potentiel croissant de l'IA à se combiner avec d'autres technologies de santé présente ainsi de nombreuses possibilités dans l'industrie.

Créez une plateforme médicale intelligente propulsée par l'IA avec Imaginovation

Souhaitez-vous transformer votre entreprise de santé avec l'IA ? Si oui, contactez-nous.

Nous sommes une entreprise technologique primée avec une vaste expérience dans la création d'applications basées sur l'IA. Discutons-en.