La variabilité inter-individuelle en médecine
Une grande variabilité inter-individuelle entrave l’établissement de lois générales utilisables en médecine prédictive. Les traits quantitatifs, la survenue de nombreuses affections sont régies par des règles complexes d’interactions entre des facteurs génétiques et environnementaux. L’observateur perçoit l’existence de facteurs influents mais ne parvient pas à les organiser. En autorisant l’usage d’algorithmes de modélisation relativement complexes, les techniques d’apprentissage statistiques permettent de séparer l’information utile et généralisable de la variabilité naturelle des données.
Intelligence artificielle et modèles de prédiction
CeRePP utilise des algorithmes d’apprentissage statistique (comme la régression logistique, les nomogrammes, les réseaux de neurones, ou les réseaux Bayesiens) ou l’intelligence artificielle explicable pour établir des modèles de prédiction, à partir des données collectées dans sa biobanque et des résultats des analyses moléculaires qu’il réalise.
Dans une première phase d’apprentissage sont soumis aux algorithmes des cas clairement étiquetés (exemple : malades, sains) et toutes les variables d’entrée que l’on pense être pertinentes (exemple : âge, antécédents, poids, dosages biologiques,…), mais dont l’influence n’est pas clairement établie (quel poids donner aux variables d’entrée ?). Les algorithmes se comportent, dans cet exemple, comme un “étudiant en médecine” qui apprendrait à reconnaître des personnes à risque en consultant un nombre suffisant de dossiers. Les règles qu’ils établissent sont complexes et sans doute non linéaires. Pourvu qu’elles soient pertinentes, les variables d’entrée utilisées peuvent être très nombreuses.
Dans une deuxième phase, dite phase de test, on montre quelques nouveaux cas aux modèles et on mesure leurs performances. Lorsque les modèles arrivent à reconnaître les malades avec une performance satisfaisante, on estime qu’ils ont trouvé une règle liant les variables d’entrée et la décision attendue. On peut ensuite les sauvegarder et les utiliser dans un logiciel de dépistage pour traiter de nouveaux cas, similaires à ceux que l’algorithme aura traités au cours de son apprentissage. Les performances des modèles et les indications des médecins guident le choix dans la recherche du meilleur outil et dans la sélection de nouvelles variables.
La décision médicale à l’ère de l’Intelligence Artificielle
Retrouvez les principes de base de l’Intelligence Artificielle dans :
Aujourd’hui, la décision médicale n’est plus l’émanation du seul pouvoir médical, mais elle implique également le patient qui s’est vu investi d’un pouvoir d’autodétermination.
Au fil de ce livre, l’auteur analyse la façon dont le cheminement décisionnel s’intègre dans le dialogue médecin-patient. Se référant à différentes problématiques qu’il a rencontrées au cours de son expérience clinique, il décrypte les pièges liés aux différents modes de raisonnement et les dysfonctionnements qui peuvent aboutir à une décision regrettable ou préjudiciable.
En abordant les principaux concepts, inhérents au développement des systèmes d’aide à la décision, l’auteur montre comment il est possible de systématiser ce cheminement décisionnel grâce à l’intelligence artificielle, afin de minimiser le risque de sentiment de regret a posteriori.
Conçu d’un point de vue éducatif, ce livre se veut une initiation culturelle à la médecine algorithmique.
Edité par CeRePP
Disponible en édition brochée et en version ebook.