Actuellement, les médecins disposent de nombreuses façons de prédire la santé d'un patient. Aucun d'entre eux n'est cependant universel et de nombreuses pathologies (par exemple, les crises cardiaques) sont très difficiles à prévoir. Les scientifiques ont démontré que les ordinateurs capables d'auto-apprentissage peuvent être encore plus performants que les pratiques médicales standard et améliorer considérablement la qualité des prévisions. Si cette pratique est mise en œuvre, la nouvelle méthode aidera à sauver des milliers, voire des millions de vies chaque année.
Chaque année, environ 20 millions de personnes meurent de maladies cardiovasculaires, notamment des crises cardiaques, des accidents vasculaires cérébraux, des artères obstruées et d'autres maladies cardiovasculaires. Afin d'essayer de prédire de telles complications, les médecins des pays occidentaux utilisent les directives de l'American College of Cardiology / American Heart Association (ACC / AHA). Ils sont basés sur huit facteurs de risque, dont l'âge, le taux de cholestérol sanguin et la pression artérielle, à partir desquels le médecin essaie de composer une image unique de la maladie.
Dans de nombreux cas, cette approche est souvent trop simpliste. De plus, d'autres facteurs peuvent affecter le corps du patient, à la suite desquels des maladies cardiovasculaires peuvent se développer. Dans une nouvelle étude, Stephen Wan, épidémiologiste à l'Université de Nottingham au Royaume-Uni, a comparé les directives ACC / AHA à quatre algorithmes d'apprentissage automatique: forêt aléatoire, régression logistique, amplification de gradient et réseau de neurones. Les quatre algorithmes visaient à analyser un grand nombre de données qui, en théorie, permettraient à l'IA de rendre les prédictions médicales meilleures que les humains. Dans ce cas, les données ont été obtenues à partir des dossiers de santé électroniques de 378 256 patients au Royaume-Uni. L'objectif était de trouver des échantillons d'enregistrements associés à des événements cardiovasculaires.
Premièrement, les algorithmes d'intelligence artificielle (IA) devaient s'entraîner seuls. Ils ont utilisé environ 78% des données - environ 295 267 enregistrements - pour rechercher des modèles et créer leurs propres «recommandations» internes. Ensuite, ils se sont testés sur le reste des documents. En utilisant des données de 2005, les algorithmes ont prédit quels patients auraient des problèmes cardiaques et vasculaires au cours des 10 prochaines années, puis ont testé leurs hypothèses à l'aide des enregistrements de 2015. Contrairement aux directives de l'ACC / AHA, l'apprentissage automatique a été autorisé à prendre en compte 22 points de données supplémentaires, notamment l'appartenance ethnique, l'arthrite et les maladies rénales.
En conséquence, les quatre méthodes d'IA se sont avérées beaucoup plus efficaces pour la prévision que les recommandations de l'ACC / AHA. En utilisant les statistiques AUC (où 1,0 est 100% précis), les directives ACC / AHA ont atteint 0,728. Les quatre nouvelles méthodes allaient de 0,745 à 0,764, comme l'a rapporté l'équipe de Wen dans le magazine PLOS ONE. Dans l'échantillon de test, environ 83 000 entrées ont pris part, et dans la bataille entre l'IA et l'homme, les machines ont «sauvé» 355 patients supplémentaires. C'est parce que, dit Wen, la prédiction mène souvent à la prévention, par le biais d'une baisse du cholestérol ou de changements alimentaires.
Certains des facteurs de risque que les algorithmes d'apprentissage automatique ont identifiés comme les prédicteurs les plus puissants ne sont pas inclus dans les directives ACC / AHA. Ceux-ci comprennent, par exemple, une maladie mentale grave et l'administration orale de corticostéroïdes. Pendant ce temps, aucun des paramètres figurant sur la liste ACC / AHA ne figure parmi les 10 prédicteurs les plus importants par machine (et même le diabète). À l'avenir, Weng espère inclure d'autres algorithmes sociaux et génétiques pour améliorer encore la précision des algorithmes.
Vasily Makarov
