Frontières en médecine
On octobre 30, 2021 by adminIntroduction
L’expression « Technologie médicale » est largement utilisée pour aborder une gamme d’outils qui peuvent permettre aux professionnels de la santé de fournir aux patients et à la société une meilleure qualité de vie en effectuant un diagnostic précoce, en réduisant les complications, en optimisant le traitement et/ou en fournissant des options moins invasives, et en réduisant la durée de l’hospitalisation. Alors qu’avant l’ère du mobile, les technologies médicales étaient principalement connues sous le nom de dispositifs médicaux classiques (par exemple, prothèses, stents, implants), l’émergence des smartphones, des wearables, des capteurs et des systèmes de communication a révolutionné la médecine avec la capacité de contenir des outils (tels que des applications) alimentés par l’intelligence artificielle (IA) dans de très petites tailles (1). L’IA a révolutionné les technologies médicales et peut être communément comprise comme la partie de l’informatique qui est capable de traiter des problèmes complexes avec de nombreuses applications dans des domaines avec une énorme quantité de données mais peu de théorie (2).
Les technologies médicales intelligentes (c’est-à-dire, Les technologies médicales intelligentes (c’est-à-dire alimentées par l’IA) ont été accueillies avec enthousiasme par la population en général, en partie parce qu’elles permettent un modèle de médecine 4P (prédictif, préventif, personnalisé et participatif) et donc l’autonomie du patient, d’une manière qui n’aurait jamais été possible (3) ; les smartphones deviennent par exemple l’objet de référence pour remplir et distribuer un dossier médical personnel électronique (4), surveiller les fonctions vitales avec des biocapteurs (5) et aider à atteindre une conformité thérapeutique optimale (6), donnant ainsi au patient le rôle d’acteur principal dans le parcours de soins. Le développement des technologies médicales intelligentes permet le développement d’un nouveau domaine de la médecine : la médecine augmentée, c’est-à-dire l’utilisation des nouvelles technologies médicales pour améliorer différents aspects de la pratique clinique. Plusieurs algorithmes basés sur l’IA ont été approuvés au cours de la dernière décennie par la Food and Drug Administration (FDA) et pourraient donc être mis en œuvre. La médecine augmentée n’est pas seulement permise par les technologies basées sur l’IA mais aussi par plusieurs autres outils numériques, tels que les systèmes de navigation chirurgicale pour la chirurgie assistée par ordinateur (7), les outils du continuum virtualité-réalité pour la chirurgie, la gestion de la douleur et les troubles psychiatriques (8-10).
Bien que le domaine de la médecine augmentée semble rencontrer du succès auprès des patients, il peut se heurter à une certaine résistance de la part des professionnels de la santé, en particulier des médecins : concernant ce phénomène, quatre raisons largement discutées doivent être fournies. Premièrement, l’impréparation quant au potentiel de la médecine numérique est due au manque évident de formation de base et continue concernant cette discipline (11). Deuxièmement, la numérisation précoce des processus de soins de santé, très différente de la promesse de la médecine augmentée, s’est accompagnée d’une forte augmentation de la charge administrative principalement liée aux dossiers médicaux électroniques (12), qui est désormais connue comme l’une des principales composantes de l’épuisement des médecins (13). Troisièmement, on craint de plus en plus que l’IA ne remplace les médecins (14), bien que l’opinion actuelle et dominante dans la littérature soit que l’IA complétera l’intelligence des médecins à l’avenir (15, 16). Quatrièmement, l’absence actuelle, à l’échelle mondiale, d’un cadre juridique définissant le concept de responsabilité en cas d’adoption ou de rejet des recommandations des algorithmes laisse le médecin exposé à des résultats juridiques potentiels lors de l’utilisation de l’IA (17).
Pour ce qui est du manque d’éducation en médecine numérique, plusieurs écoles de médecine privées préparent leurs futurs dirigeants médicaux au défi de la médecine augmentée, soit en associant le programme d’études médicales au programme d’études d’ingénierie, soit en mettant en œuvre la culture et l’utilisation de la santé numérique dans un programme d’études amélioré (18).
Le but de cet article est de résumer les développements récents de l’IA en médecine, de fournir les principaux cas d’utilisation où les technologies médicales alimentées par l’IA peuvent déjà être utilisées dans la pratique clinique, et les perspectives sur les défis et les risques auxquels les professionnels de la santé et les institutions sont confrontés lors de la mise en œuvre de la médecine augmentée, à la fois dans la pratique clinique et dans l’éducation des futurs leaders médicaux.
Applications actuelles de l’intelligence artificielle en médecine
2.1. Cardiologie
2.1.1. Fibrillation auriculaire
La détection précoce de la fibrillation auriculaire a été l’une des premières applications de l’IA en médecine. AliveCor a reçu l’approbation de la FDA en 2014 pour son application mobile Kardia permettant une surveillance ECG sur smartphone et la détection de la fibrillation auriculaire. La récente étude REHEARSE-AF (19) a montré que la surveillance ECG à distance avec Kardia chez les patients ambulatoires est plus susceptible d’identifier la fibrillation auriculaire que les soins de routine. Apple a également obtenu l’approbation de la FDA pour son Apple Watch 4 qui permet d’acquérir facilement un ECG et de détecter une fibrillation auriculaire qui peut être partagée avec le praticien de son choix via un smartphone (20). Plusieurs critiques des technologies d’ECG portables et vestimentaires ont été abordées (21), soulignant les limites de leur utilisation, telles que le taux de faux positifs provenant d’artefacts de mouvement, et les obstacles à l’adoption de la technologie portable chez les patients âgés qui sont plus susceptibles de souffrir de fibrillation auriculaire.
2.1.2. Risque cardiovasculaire
Appliquée aux dossiers électroniques des patients, l’IA a été utilisée pour prédire le risque de maladie cardiovasculaire, par exemple le syndrome coronarien aigu (22) et l’insuffisance cardiaque (23) mieux que les échelles traditionnelles. Des examens complets récents (24) ont toutefois signalé comment les résultats peuvent varier en fonction de la taille de l’échantillon utilisé dans le rapport de recherche.
2.2. Médecine pulmonaire
L’interprétation des tests de fonction pulmonaire a été signalée comme un domaine prometteur pour le développement d’applications IA en médecine pulmonaire. Une étude récente (25) a rapporté comment un logiciel basé sur l’IA fournit une interprétation plus précise et sert d’outil d’aide à la décision dans le cas sur l’interprétation des résultats des tests de fonction pulmonaire. L’étude a reçu plusieurs critiques, dont l’une (26) rapportait comment le taux de diagnostic précis chez les pneumologues participant à l’étude était considérablement inférieur à la moyenne du pays.
2.3. Endocrinologie
La surveillance continue du glucose permet aux patients diabétiques de visualiser en temps réel les lectures de glucose interstitiel et fournit des informations sur la direction et le taux de changement de la glycémie (27) Medtronic a reçu l’approbation de la FDA pour son système Guardian de surveillance du glucose, qui est apparié à un smartphone (28). En 2018, l’entreprise s’est associée à Watson (IA développée par IBM) pour son système Sugar.IQ afin d’aider ses clients à mieux prévenir les épisodes d’hypoglycémie en fonction de la répétition des mesures. La surveillance continue de la glycémie peut permettre aux patients d’optimiser le contrôle de leur glycémie et de réduire la stigmatisation associée aux épisodes d’hypoglycémie ; cependant, une étude axée sur l’expérience des patients avec la surveillance du glucose a rapporté que les participants, tout en exprimant leur confiance dans les notifications, ont également déclaré des sentiments d’échec personnel à réguler le niveau de glucose (27).
2.4. Néphrologie
L’intelligence artificielle a été appliquée dans plusieurs contextes en néphrologie clinique. Par exemple, elle s’est avérée utile pour la prédiction du déclin du taux de filtration glomérulaire chez les patients atteints de maladie rénale polykystique (29), et pour établir le risque de néphropathie IgA progressive (30). Cependant, une revue récente signale comment, à l’heure actuelle, la recherche est limitée par la taille de l’échantillon nécessaire à l’inférence (31).
2.5. Gastro-entérologie
La spécialité de la gastro-entérologie bénéficie d’un large éventail d’applications de l’IA dans les milieux cliniques. Les gastroentérologues ont utilisé des réseaux de neurones convolutifs parmi d’autres modèles d’apprentissage profond afin de traiter les images provenant de l’endoscopie et de l’échographie (32) et de détecter des structures anormales telles que les polypes coliques (33). Les réseaux de neurones artificiels ont également été utilisés pour diagnostiquer le reflux gastro-œsophagien (34) et la gastrite atrophique (35), ainsi que pour prédire les résultats des saignements gastro-intestinaux (36), la survie du cancer de l’œsophage (37), les maladies inflammatoires de l’intestin (38) et les métastases du cancer colorectal (39) et du carcinome épidermique œsophagien (40).
2.6. Neurologie
2.6.1. Épilepsie
Les dispositifs intelligents de détection des crises sont des technologies prometteuses qui ont le potentiel d’améliorer la gestion des crises grâce à un suivi ambulatoire permanent. Empatica a reçu l’approbation de la FDA en 2018 pour leur wearable Embrace, qui associé à des capteurs électrodermaux peut détecter les crises d’épilepsie généralisées et les signaler à une application mobile qui est capable d’alerter les proches et le médecin de confiance avec des informations complémentaires sur la localisation du patient (41). Un rapport axé sur l’expérience des patients, a révélé que, contrairement aux wearables de surveillance cardiaque, les patients souffrant d’épilepsie n’avaient pas d’obstacles à l’adoption de dispositifs de détection des crises, et ont signalé un intérêt élevé pour l’utilisation des wearables (42).
2.6.2. Évaluation de la démarche, de la posture et des tremblements
Les capteurs portables se sont avérés utiles pour évaluer quantitativement la démarche, la posture et les tremblements chez les patients atteints de sclérose en plaques, de la maladie de Parkinson, du parkinsonisme et de la maladie de Huntington (43).
2.7. Diagnostic informatique du cancer en histopathologie
Paige.ai a reçu le statut de percée de la FDA pour un algorithme basé sur l’IA qui est capable de diagnostiquer le cancer en histopathologie informatique avec une grande précision, permettant au pathologiste de gagner du temps pour se concentrer sur les diapositives importantes (44).
2.8. Imagerie médicale et validation des technologies basées sur l’IA
Une méta-analyse très attendue a comparé les performances des logiciels d’apprentissage profond et des radiologues dans le domaine du diagnostic basé sur l’imagerie (45) : bien que l’apprentissage profond semble être aussi efficace que les radiologues pour le diagnostic, les auteurs ont souligné que 99% des études n’ont pas été trouvées comme ayant une conception fiable ; en outre, seulement un millième des articles qui ont été examinés ont validé leurs résultats en faisant diagnostiquer par les algorithmes l’imagerie médicale provenant d’autres populations sources. Ces résultats soutiennent la nécessité d’une validation étendue des technologies basées sur l’IA par le biais d’essais cliniques rigoureux (5).
Discussion : Défis et orientations futures de l’intelligence artificielle en médecine
3.1. Validation des technologies basées sur l’IA : Vers une crise de la réplication?
L’un des principaux défis de l’application de l’IA en médecine dans les prochaines années sera la validation clinique des concepts et outils de base récemment développés. Bien que de nombreuses études aient déjà présenté l’utilité de l’IA avec des opportunités claires basées sur des résultats prometteurs, plusieurs limitations bien reconnues et fréquemment rapportées des études d’IA sont susceptibles de compliquer cette validation. Nous allons aborder ici trois de ces limites, ainsi que fournir des moyens possibles de les surmonter.
Premièrement, la majorité des études comparant l’efficacité de l’IA par rapport aux cliniciens se sont avérées avoir une conception peu fiable et connues pour manquer de réplication primaire, c’est-à-dire la validation des algorithmes développés dans des échantillons provenant d’autres sources que celle utilisée pour former les algorithmes (45). Cette difficulté pourrait être surmontée à l’ère de la science ouverte, car les données ouvertes et les méthodes ouvertes sont appelées à recevoir de plus en plus d’attention en tant que meilleures pratiques dans la recherche. Cependant, la transition vers la science ouverte pourrait s’avérer difficile pour les entreprises d’IA médicale qui développent des logiciels en tant qu’activité principale.
Deuxièmement, les études rapportant l’application de l’IA dans la pratique clinique sont connues pour être limitées en raison des conceptions rétrospectives et de la taille des échantillons ; ces conceptions incluent potentiellement des biais de sélection et de spectre, c’est-à-dire que les modèles sont développés pour s’adapter de manière optimale à un ensemble de données donné (ce phénomène est également connu sous le nom d’overfitting), mais ne reproduisent pas les mêmes résultats dans d’autres ensembles de données (32). Une réévaluation et un étalonnage continus après l’adoption d’algorithmes soupçonnés de surajustement devraient être nécessaires pour adapter les logiciels à la fluctuation des données démographiques des patients (46). En outre, il existe un consensus croissant quant à la nécessité de développer des algorithmes conçus pour s’adapter à des communautés plus larges tout en tenant compte des sous-groupes (47).
Troisièmement, on ne connaît que peu d’études comparant l’IA et les cliniciens sur la base des mêmes ensembles de données ; même dans ce scénario, des critiques ont été formulées pointant vers un taux de précision diagnostique plus faible que prévu chez les médecins spécialisés. (26). Opposer l’IA et les cliniciens est, bien que bien représenté dans la littérature scientifique, probablement pas la meilleure façon d’aborder la question de la performance dans l’expertise médicale : plusieurs études abordent maintenant l’interaction entre les cliniciens et les algorithmes (47) comme la combinaison de l’intelligence humaine et artificielle surpasse l’un ou l’autre seul.
3.2. Implications éthiques de la surveillance continue
La technologie médicale est l’un des marchés les plus prometteurs du 21ème siècle, avec une valeur de marché estimée approchant rapidement les mille milliards de dollars en 2019. Un pourcentage croissant de ce chiffre d’affaires est dû à la vente au détail de dispositifs médicaux (tels que les dispositifs de surveillance cardiaque) à une population plus jeune, qui n’est pas le profil de consommateur cible principal (car les problèmes de santé tels que la fibrillation auriculaire sont moins susceptibles d’apparaître). En raison de ce phénomène, l’Internet des objets (IoT) redéfinit le concept d’individu sain comme une combinaison du soi quantifié (indicateurs personnels codés dans le smartphone ou le wearable) et d’une série de paramètres de style de vie fournis par le wearable (suivi de l’activité, contrôle du poids, etc.).
En outre, au cours des deux dernières années, plusieurs entreprises de wearables ont conclu des accords importants avec des compagnies d’assurance ou des gouvernements pour organiser une distribution à grande échelle de ces produits : ce type d’initiatives vise principalement à induire un changement de style de vie dans de grandes populations. Alors que les pays occidentaux continuent d’évoluer vers des systèmes de santé centrés sur la responsabilité individuelle du patient à l’égard de sa santé et de son bien-être, les implications éthiques d’une surveillance médicale continue à l’aide de dispositifs médicaux via l’internet des objets sont fréquemment discutées. Par exemple, la surveillance continue et les violations de la vie privée ont le potentiel d’augmenter la stigmatisation autour des malades chroniques ou des citoyens plus défavorisés (48) et éventuellement de pénaliser les citoyens qui ne sont pas en mesure d’adopter de nouvelles normes de mode de vie sain, par exemple en réduisant l’accès à l’assurance maladie et aux soins ; peu ou pas de débat s’est concentré sur ces pièges potentiels et cruciaux dans l’élaboration des politiques de santé.
Dans ce cadre techno-politique, la question de la protection et de la propriété des données devient de plus en plus cruciale, bien que vieille de plus de deux décennies (49). Plusieurs attitudes à l’égard de la propriété des données sont décrites dans la littérature : bien que certains travaux plaident pour une propriété commune des données des patients afin de profiter des approches de la médecine personnalisée (50, 51), le consensus évolue vers la propriété du patient, car elle a des effets positifs sur l’engagement du patient ainsi que peut améliorer le partage de l’information si un accord d’utilisation des données entre le patient et les professionnels de santé est développé (52).
3.3. Le besoin d’éduquer des médecins augmentés
Plusieurs universités ont commencé à créer de nouveaux cursus médicaux, y compris un docteur-ingénieur (18), pour répondre au besoin d’éduquer les futurs leaders médicaux aux défis de l’intelligence artificielle en médecine (53). Ces programmes prévoient une approche plus forte des sciences dures (telles que la physique et les mathématiques) et l’ajout des sciences informatiques, du codage, de l’algorithmique et de l’ingénierie mécatronique. Ces « médecins augmentés » compteraient à la fois sur une expérience clinique et une expertise numérique pour résoudre les problèmes de santé modernes, participer à la définition de stratégies numériques pour les établissements de santé, gérer la transition numérique, éduquer les patients et leurs pairs.
La société ainsi que les établissements de santé pourraient bénéficier de ces professionnels comme filet de sécurité pour tout processus incluant l’IA en médecine, mais aussi comme moteur d’innovation et de recherche. En dehors de la formation médicale de base, il est nécessaire de mettre en œuvre des programmes d’éducation permanente concernant la médecine numérique et ciblant les médecins diplômés, afin de permettre un recyclage dans ce domaine en pleine expansion. Dans la plupart des hôpitaux de pointe du monde, ces experts sont chargés de la mission de Chief Medical Information Officer (CMIO).
3.4. La promesse de l’intelligence clinique ambiante : Éviter la déshumanisation par la technologie
Comme le rapportent plusieurs études (12, 13), les dossiers médicaux électroniques peuvent constituer une charge administrative importante et une source d’épuisement professionnel, phénomène de plus en plus présent chez les médecins, qu’ils soient en formation ou formés. Bien que les solutions d’intelligence artificielle telles que le traitement du langage naturel soient de plus en plus capables d’aider le médecin à fournir des dossiers médicaux complets, d’autres solutions sont nécessaires pour résoudre le problème du temps croissant alloué aux soins indirects aux patients.
L’intelligence clinique ambiante (ACI) est comprise comme un environnement numérique sensible, adaptatif et réactif entourant le médecin et le patient (54) et capable, par exemple, d’analyser l’entretien et de remplir automatiquement les dossiers médicaux électroniques du patient. Plusieurs projets sont en cours pour développer un ACI, qui serait une application cruciale de l’intelligence artificielle en médecine et très nécessaire pour résoudre les problèmes modernes liés à la main-d’œuvre médicale.
L’un des grands obstacles à l’adoption de technologies médicales intelligentes chez les médecins est la crainte d’une déshumanisation de la médecine. Cela est principalement dû à la charge administrative croissante (12) imposée aux médecins. Cependant, les technologies modernes telles que l’ACI et le traitement du langage naturel ne manqueront pas de résoudre le problème de la charge administrative et aideront les cliniciens à se concentrer davantage sur le patient.
3.5. Les médecins seront-ils remplacés par l’intelligence artificielle ?
Comme cela a été récemment discuté dans la littérature (15, 16), les médecins ne seront très probablement pas remplacés par l’intelligence artificielle : les technologies médicales intelligentes existent en tant que telles en tant que soutien au médecin afin d’améliorer la gestion des patients. Cependant, comme l’ont indiqué des études récentes (45), des comparaisons sont fréquemment faites entre les solutions d’intelligence artificielle et les médecins, comme si les deux homologues étaient en concurrence. Les études futures devraient se concentrer sur la comparaison entre les médecins utilisant des solutions d’intelligence artificielle et les médecins sans l’aide de telles applications, et étendre ces comparaisons aux essais cliniques translationnels ; ce n’est qu’alors que l’intelligence artificielle sera acceptée comme complémentaire des médecins. Les professionnels de la santé se trouvent aujourd’hui dans une position privilégiée, pour pouvoir accueillir l’évolution numérique et être les principaux moteurs du changement, bien qu’une révision majeure de l’enseignement médical soit nécessaire pour fournir aux futurs dirigeants les compétences pour le faire.
Conclusion
La mise en œuvre de l’intelligence artificielle dans la pratique clinique est un domaine de développement prometteur, qui évolue rapidement avec les autres domaines modernes que sont la médecine de précision, la génomique et la téléconsultation. Alors que les progrès scientifiques doivent rester rigoureux et transparents dans le développement de nouvelles solutions pour améliorer les soins de santé modernes, les politiques de santé devraient maintenant se concentrer sur la résolution des problèmes éthiques et financiers associés à cette pierre angulaire de l’évolution de la médecine.
Contributions des auteurs
Tous les auteurs énumérés ont apporté une contribution substantielle, directe et intellectuelle au travail, et l’ont approuvé pour publication.
Conflit d’intérêts
Les auteurs déclarent que la recherche a été menée en l’absence de toute relation commerciale ou financière qui pourrait être interprétée comme un conflit d’intérêts potentiel.
1. Steinhubl SR, Muse ED, Topol EJ. Le domaine émergent de la santé mobile. Sci Trans Med. (2015) 7:283rv3. doi : 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Peng Y, Zhang Y, Wang L. L’intelligence artificielle dans l’ingénierie et l’informatique biomédicales : une introduction et une revue. Artif Intell Med. (2010) 48:71-3. doi : 10.1016/j.artmed.2009.07.007
PubMed Abstract | CrossRef Full Text | Google Scholar
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec V, et al. Opinion : redéfinir le rôle du médecin en médecine de laboratoire dans le contexte des technologies émergentes, de la médecine personnalisée et de l’autonomie du patient (‘4P medicine’). J Clin Cathol. (2019) 72:191-7. doi : 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. Un cadre distribué pour l’échange d’informations de santé à l’aide de technologies de smartphone. J Biomed Informat. (2017) 69:230-50. doi : 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Topol EJ. Une décennie d’innovation en médecine numérique. Sci Trans Med. (2019) 11:7610. doi : 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. Association of a smartphone application with medication adherence and blood pressure control : the MedISAFE-BP randomized clinical trial. JAMA Int Med. (2018) 178:802-9. doi : 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navigation et robotique dans la chirurgie de la colonne vertébrale : où en sommes-nous maintenant ? Neurosurgery. (2017) 80:S86-99. doi : 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Réalité mixte avec HoloLens : où la réalité virtuelle rencontre la réalité augmentée dans la salle d’opération. Plast Reconstruct Surg. (2017) 140:1066-70. doi : 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Examen du traitement par réalité virtuelle en psychiatrie : preuves versus diffusion et utilisation actuelles. Curr Psychiat Rep. (2017) 19:80. doi : 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Malloy KM, Milling LS. L’efficacité de la distraction en réalité virtuelle pour la réduction de la douleur : une revue systématique. Clin Psychol Rev. (2010) 30:1011-8. doi : 10.1016/j.cpr.2010.07.001
PubMed Abstract | CrossRef Full Text | Google Scholar
11. Haag M, Igel C, Fischer MR, Société allemande d’éducation médicale (GMA) « Digitalisation-Apprentissage et enseignement assistés par la technologie » groupe de travail conjoint « Technology-enhanced Teaching and Learning in Medicine (TeLL) » de l’association allemande d’informatique médicale biométrie et épidémiologie (gmds) et de la Société allemande d’informatique (GI). Enseignement numérique et médecine numérique : une initiative nationale est nécessaire. GMS J Med Educ. (2018) 35:Doc43. doi : 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Assessment of inpatient time allocation among first-year internal medicine residents using time-motion observations. JAMA Int Med. (2019) 179:760-7. doi : 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13. West CP, Dyrbye LN, Shanafelt TD. Épuisement professionnel des médecins : contributeurs, conséquences et solutions. J Int Med. (2018) 283:516-29. doi : 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. Les soins de santé en 2030 : l’intelligence artificielle remplacera-t-elle les médecins ? Ann Int Med. (2019) 170:407-8. doi : 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Médecine de haute performance : la convergence de l’intelligence humaine et artificielle. Nat Med. (2019) 25:44-56. doi : 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Verghese A, Shah NH, Harrington RA. Ce dont cet ordinateur a besoin, c’est d’un médecin : humanisme et intelligence artificielle. JAMA. (2018) 319:19-20. doi : 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Price WN, Gerke S, Cohen IG. Responsabilité potentielle des médecins utilisant l’intelligence artificielle. JAMA. (2019) 322:1765-6. doi : 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Spécialiste. (2019) Disponible en ligne à l’adresse suivante : https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (consulté le 26 octobre 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Évaluation de l’échantillonnage du rythme cardiaque à distance à l’aide du moniteur cardiaque AliveCor pour dépister la fibrillation auriculaire : l’étude REHEARSE-AF. Circulation. (2017) 136:1784-94. doi : 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. Rationale and design of a large-scale, app-based study to identify cardiac arhythmias using a smartwatch : the apple heart study. Ame Heart J. (2019) 207:66-75. doi : 10.1016/j.ahj.2018.09.002
PubMed Abstract | CrossRef Full Text | Google Scholar
21. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Apple watch, wearables, and heart rhythm : where do we stand ? Ann Trans Med. (2019) 7:417. doi : 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22. Huang Z, Chan TM, Dong W. Prédiction MACE du syndrome coronarien aigu via une classification de rééchantillonnage boosté utilisant des dossiers médicaux électroniques. J Biomed Inform. (2017) 66:161-70. doi : 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Analyse des techniques d’apprentissage automatique pour les réadmissions liées à l’insuffisance cardiaque. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi : 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Applications de l’intelligence artificielle en cardiologie. L’avenir est déjà là. Revista Española de Cardiología. (2019) 72:1065-75. doi : 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. L’intelligence artificielle surpasse les pneumologues dans l’interprétation des tests de fonction pulmonaire. Eur Respirat J. (2019) 53:1801660. doi : 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. Pas besoin des pneumologues pour interpréter les tests de fonction pulmonaire. Eur Respirat J. (2019) 54:1900829. doi : 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. Patients’ and caregivers’ experiences of using continuous glucose monitoring to support diabetes self-management : qualitative study. BMC Endocrine Disord. (2018) 18:12. doi : 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Précision d’un capteur de glucose continu sous-cutané de quatrième génération. Diabet Technol Therapeut. (2017) 19:446-56. doi : 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. Niel O, Boussard C, Bastard P. Artificial intelligence can predict GFR decline during the course of ADPKD. Am J Kidney Dis Off J Natl Kidney Found. (2018) 71:911-2. doi : 10.1053/j.ajkd.2018.01.051
PubMed Abstract | CrossRef Full Text | Google Scholar
30. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. Un réseau neuronal artificiel peut sélectionner les patients à haut risque de développer une néphropathie IgA progressive avec plus de précision que les néphrologues expérimentés. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. L’intelligence artificielle en néphrologie : concepts fondamentaux, applications cliniques et perspectives. Am J Kidney Dis. (2019) 74:803-10. doi : 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Yang YJ, Bang CS. Application de l’intelligence artificielle en gastroentérologie. World J Gastroenterol. (2019) 25:1666-83. doi : 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Exploration du potentiel clinique d’une méthode de détection automatique des polypes coliques basée sur la création de cartes énergétiques. Endoscopie. (2016) 48:837-42. doi : 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. Les réseaux neuronaux artificiels sont capables de reconnaître les patients atteints de reflux gastro-œsophagien uniquement sur la base de données cliniques. Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi : 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Possible contribution of artificial neural networks and linear discriminant analysis in recognition of patients with suspected atrophic body gastrite. World J Gastroenterol. (2005) 11:5867-73. doi : 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Prediction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network : internal and external validation of a predictive model. Lancet. (2003) 362:1261-6. doi : 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Prediction of survival in patients with esophageal carcinoma using artificial neural networks. Cancer. (2005) 103:1596-605. doi : 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Variation saisonnière de l’apparition et de la rechute des MICI et modèle de prédiction de la fréquence d’apparition, de la rechute et de la gravité des MICI basé sur un réseau neuronal artificiel. Int J Colorect Dis. (2015) 30:1267-73. doi : 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer. Endoscopie. (2018) 50:230-40. doi : 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. Support vector machine-based nomogram predicts postoperative distant metastasis for patients with oesophageal squamous cell carcinoma. Br J Cancer. (2013) 109:1109-16. doi : 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Dispositifs multimodaux portés au poignet pour la détection des crises et l’avancement de la recherche : focus sur les bracelets Empatica. Epilep Res. (2019) 153:79-82. doi : 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Wearable technology in epilepsy : the views of patients, caregivers, and healthcare professionals. Epilep Behav. (2018) 85:141-9. doi : 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Téleneurologie et technologies mobiles : l’avenir des soins neurologiques. Nat Rev Neurol. (2018) 14:285-97. doi : 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. Pathologie informatique de qualité clinique utilisant un apprentissage profond faiblement supervisé sur des images de lames entières. Nat Med. (2019) 25:1301-9. doi : 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. Une comparaison des performances de l’apprentissage profond par rapport aux professionnels de la santé dans la détection des maladies à partir de l’imagerie médicale : une revue systématique et une méta-analyse. Lancet Digit Health. (2019) 1:e271-97. doi : 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46. Panch T, Mattie H, Celi LA. La « vérité qui dérange » sur l’IA dans les soins de santé. NPJ Digit Med. (2019) 2:1-3. doi : 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. (2019) 17:195. doi : 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Mittelstadt B. Ethics of the health-related internet of things : a narrative review. Ethics Informat Technol. (2017) 19:157-75. doi : 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Préserver la confidentialité et la sécurité des informations sur les soins de santé des patients. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Le partage des données et l’idée de propriété. Nouveau corps bioeth multidisciplinaire J Biotechnol. (2017) 23:81-6. doi : 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Rodwin MA. Le cas de la propriété publique des données des patients. JAMA. (2009) 302:86-8. doi : 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. Le chemin vers la propriété des données des patients et une meilleure santé. JAMA. (2017) 318:1433-4. doi : 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. L’IA ajoutée au cursus des futurs médecins. Nat Med. (2019). 25:1808-9. doi : 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. Une enquête sur l’intelligence ambiante dans les soins de santé. Proc IEEE Inst Elect Electron Eng. (2013) 101:2470-94. doi : 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
.
Laisser un commentaire