S

Intelligence artificielle et décision médicale : vers

une révolution ?

Hubert Nielly,Interne de Médecine interne

Association des Jeunes InternistesService de Médecine interne et Rhumatologie, Hôpital d’Instruction des Armées PERCY, Clamart

S

Déclaration de liens d’intérêt potentiels

Intelligence artificielle et décision médicale : vers une révolution ?Conférencier : Dr NIELLY Hubert, Issy-les-MoulineauxJe n’ai pas de lien d’intérêt potentiel à déclarer

MeSH term: « Decision-making, computer-assisted » introduit en 1987 77383 références en mai 2016 surtout depuis 2003-2004

Journaux Artificial intelligence in medicine (impact factor 1,356 en

2013, 2,019 en 2014) « Lois » de Moore

Nombre d’opérations par seconde: 2x1014 pour le cerveau humain (horizon 2019)

Introduction

Applications

Systèmes experts Détection de contre-indications Logiciels de diagnostic médical Logiciels de thérapeutique

Décevant jusqu’à présent

Revue systématique 2014 pas de gain de mortalité gain de morbidité marginal pas de gain de coût

Surcroît de mortalité à l’hôpital de Pittsburg (2005)

Moja L et al. Effectiveness of computerized decision support systems linked to electronic health records: a systematic review and meta-analysis. American Journal of Public Health 2014. 104(12):e12-22.Yong Y et al. Unexpected increased mortality after implementation of a commercially sold computerized physician order entry system. Pediatrics 2005. 116(6):1506-12.

Intelligence

IntelligereComprendre

ConcevoirConnaître

Cas singulier Règle générale

Intelligence

Humains Machines

Cas singulier Règle générale

Etude rétrospective

Validation prospective

Analyse des données

Décision

Niveaux d’intelligence

Niveau 1 = exécuter Niveau 2 = apprendre et réappliquer

(algorithmes évolutifs) Niveau 3 = s’adapter intelligemment

(permet de traiter une situation inédite)

Niveau 2

Niveau 3 ?

Méthodes actuelles

Algorithmes évolutifs Chainage avant ou arrière Faits binaires ou exprimés en terme de probabilité(système Bayesien) Reconnaissance de situations caractéristiques

(patterns)

Machine learning (apprentissage automatique)

Deep learning

Machine learning

a a

A AA

A a

A

A

Machine learning

a a

A AA

A a

A

A

Deep learning

Exemple

Watson Health À partir des données du patient Interrogation d’une banque de données Proposition de traitement avec justification par références

Aide pour Le diagnostic Le traitement L’inclusion dans les essais cliniques La recherche

Architecture

Structure / processeur

Bases de données « Big data »

Représentation de connaissance

Littérature médicale

Données du

patient

Question posée Réponses

fourniesPondération

Feed back

Informatique médicale

Réseau connecté Information et retour d’information en temps réel

Limites / différence de conception

Quelle littérature est analysée? Analyse de l’abstract ou du corps de l’article? Démocratie intellectuelle? Sécurité des données / anonymisation ? Langage commun Cas rares Coût

Nécessaire pour l’avenir?

Masse d’information médicale Masse de paramètres à prendre en compte pour

chaque patient Vers un dossier médical informatique connecté ?