L’IA en pédiatrie : défis et opportunités
Risques et défis liés à l’utilisation de l’intelligence artificielle en pédiatrie
Les grands modèles de langage sont sujets à « l’indulgence », ou au désir de plaire à l’utilisateur qui y conduit, ainsi qu’aux hallucinations qui impliquent des découvertes fabriquées, explique Desai.
Il note que l’utilisation de l’intelligence artificielle en pédiatrie pose également des défis, car de nombreuses maladies infantiles sont rares et donc plus difficiles à prédire pour les algorithmes.
“Il s’agit d’une limitation purement biostatistique : les performances réelles de l’algorithme dépendent fortement de la prévalence de la maladie. Plus la maladie est courante, plus l’algorithme est précis”, explique Desai. “À l’inverse, plus la condition est rare, plus l’algorithme sera performant.”
Bien que les chercheurs utilisent des algorithmes d’apprentissage automatique pour identifier des maladies rares chez l’enfant, telles qu’un déficit immunitaire primaire, ils génèrent toujours un grand nombre de « faux positifs », selon Desai. Les enfants participent alors à de nombreux tests inutiles et coûteux, dit-il.
EN SAVOIR PLUS: L’IA est aujourd’hui utilisée de plusieurs manières différentes dans le domaine de la santé.
“Cela rend très difficile la mise en œuvre de ces algorithmes sur le lieu d’intervention”, explique Desai.
De plus, les biais de formation présentent des risques en pédiatrie.
“Certains groupes de patients étaient probablement sous-représentés dans les données de formation, de sorte que les prédictions du modèle concernant ces patients sont inexactes”, explique Desai.
Pour gérer les risques liés à l’IA, Texas Children’s a créé un comité de gouvernance de l’IA, déclare Teresa Tonthat, vice-présidente et CIO associée de l’hôpital.
Le comité directeur veille à ce que tous les résultats du modèle d’IA nécessitent qu’un « homme du milieu » vérifie les informations avant de prendre une décision concernant le patient, explique Tonthat. Le comité répond également aux préoccupations concernant les exigences réglementaires, les préjugés et les hallucinations de l’IA, ajoute-t-il.
Alors que le système de santé fonctionne avec les données des enfants, Texas Children’s propose aux équipes de soins une formation de non-participation via MyChart d’Epic et travaille avec des fournisseurs tels que Microsoft pour discuter de la manière dont ils utilisent et protègent les données des patients, explique Tonthat.
“Notre tolérance au risque est très faible lorsqu’il s’agit d’informations sur nos patients pédiatriques”, explique Tonthat.
Malgré les risques, l’IA offre des opportunités pour résoudre des problèmes cliniques et améliorer l’efficacité des flux de travail.
IA pour la radiologie et le diagnostic pédiatriques
Texas Children’s utilise l’IA depuis plus d’une décennie et s’est tourné vers la modélisation prédictive, l’automatisation, l’apprentissage profond et l’apprentissage automatique pour résoudre des problèmes cliniques, explique Tonthat. L’hôpital explore depuis deux ans l’intelligence artificielle générative, notamment avec des modèles qui améliorent les flux de travail des équipes soignantes. Il a fallu un certain temps pour susciter l’intérêt des équipes cliniques du Texas Children’s, mais le personnel est désormais prêt à s’élargir, dit-il.
Texas Children’s a créé un modèle d’intelligence artificielle permettant aux radiologues de prédire l’âge osseux. Le modèle a été formé sur des millions d’images radiographiques de mains d’enfants.
“Comme nous disposons de millions d’images radiographiques de mains, nous avons entraîné le modèle à connaître l’âge de la main d’un enfant en termes de densité osseuse en quelques secondes”, explique Tonthat.
Grâce à son modèle de prédiction de l’âge osseux basé sur l’IA, Texas Children’s a pu réduire le délai d’exécution de 50 % en intégrant l’IA dans les flux de travail cliniques des radiologues, rapporte Tonthat. Le modèle d’IA est le résultat d’une collaboration entre les services de radiologie et de services d’information de l’hôpital et son comité directeur et consultatif en IA.
CHOP utilise également l’IA en radiologie, selon Desai.
« Dans la recherche, les chercheurs du CHOP se tournent vers l’IA pour améliorer les diagnostics radiologiques, détecter les erreurs de laboratoire, accélérer le diagnostic à partir d’images pathologiques, et bien plus encore », dit-il.
Si un médecin voit un patient dont l’asthme est mal contrôlé, un outil d’IA ambiante pourrait obtenir automatiquement les antécédents d’asthme du patient, résumer les visites antérieures liées à l’asthme et alerter le médecin si le patient présente un risque plus élevé de grippe, explique Desai. Il vérifierait ensuite quels médicaments sont couverts par le régime d’assurance du patient et commencerait à rédiger une commande pour un contrôleur de l’asthme, explique Desai.
