Grâce à un vaste ensemble de données sur les patients, l’IA prédit avec précision les résultats du traitement
Les scientifiques ont conçu un nouveau modèle d'intelligence artificielle qui émule des essais cliniques randomisés pour déterminer les options de traitement les plus efficaces pour prévenir les accidents vasculaires cérébraux chez les personnes atteintes d'une maladie cardiaque.
Le modèle était doté de données anonymisées sur des millions de patients, glanées à partir des informations sur les demandes de remboursement de soins de santé soumises par les employeurs, les régimes de santé et les hôpitaux – une stratégie de modèle de base similaire à celle des outils d'IA générative comme ChatGPT.
En pré-entraînant le modèle sur un énorme cache de données générales, les chercheurs pourraient ensuite affiner le modèle avec des informations concernant des problèmes de santé et des traitements spécifiques (dans ce cas, en se concentrant sur le risque d'accident vasculaire cérébral) pour estimer l'effet causal de chaque thérapie et déterminer quelle thérapie fonctionnerait le mieux en fonction des caractéristiques individuelles du patient.
L'équipe de l'Ohio State University a rapporté dans le journal Motifs que leur modèle surpassait sept modèles existants et aboutissait aux mêmes recommandations de traitement que quatre essais cliniques randomisés.
“Aucun algorithme existant ne peut faire ce travail”, a déclaré l'auteur principal Ping Zhang, professeur agrégé d'informatique, d'ingénierie et d'informatique biomédicale à l'Ohio State. “Quantitativement, notre méthode a augmenté les performances de 7 à 8 % par rapport aux autres méthodes. Et la comparaison a montré que d'autres méthodes pouvaient déduire des résultats similaires, mais elles ne pouvaient pas produire un résultat exactement comme un essai clinique randomisé. Notre méthode le peut.”
Il ne s’agit pas de remplacer la recherche clinique de référence, mais les chercheurs espèrent que l’apprentissage automatique pourrait permettre d’économiser du temps et de l’argent en accélérant les essais cliniques et en favorisant la personnalisation des soins aux patients.
“Notre modèle pourrait être un module accélérateur qui pourrait aider à identifier d'abord un petit groupe de médicaments candidats efficaces pour traiter une maladie, permettant ainsi aux cliniciens de mener des essais cliniques randomisés à une échelle limitée avec seulement quelques médicaments”, a déclaré le premier auteur Ruoqi Liu. , titulaire d'un doctorat en informatique et en ingénierie. étudiant dans le laboratoire de Zhang.
L’équipe a baptisé le cadre proposé CURE : Estimation de l’effet du traitement causal.
La beauté d'un modèle d'estimation des effets d'un traitement pré-entraîné avec des quantités massives de données réelles non étiquetées réside dans son applicabilité à une multitude de maladies et de médicaments, a déclaré Liu.
“Nous pouvons pré-entraîner le modèle sur des ensembles de données à grande échelle sans le limiter à aucun traitement. Ensuite, nous affinons le modèle pré-entraîné sur des ensembles de données à petite échelle spécifiques à des tâches afin que le modèle puisse s'adapter rapidement aux différentes tâches en aval, ” dit-elle.
Les données non étiquetées utilisées pour pré-entraîner le modèle provenaient de MarketScan Commercial Claims and Encounters de 2012 à 2017, fournissant 3 millions de cas de patients, 9 435 codes médicaux (dont 282 codes de diagnostic) et 9 153 codes de médicaments.
Deux des techniques de construction de modèles de Liu ont ajouté à la puissance de CURE : combler les lacunes dans les dossiers des patients en associant les informations des patients à des graphiques de connaissances biomédicales qui représentent les concepts et les relations biomédicales et en pré-formant un modèle de base de données et de connaissances des patients en synergie profonde à l'aide d'allégations et de connaissances médicales. graphiques à l’échelle.
“Nous avons également proposé KG-TREAT, un modèle de base amélioré par les connaissances, pour mettre en synergie les données des patients avec les graphiques de connaissances afin que le modèle comprenne mieux les données des patients”, a déclaré Liu, qui a été le premier auteur d'un ouvrage de mars. Actes de la conférence AAAI sur l'intelligence artificielle article décrivant le travail du graphe de connaissances.
Pour arriver à des estimations des effets du traitement, le modèle prend en compte les données pré-entraînées superposées à des informations plus spécifiques sur les conditions médicales et les thérapies et, après un réglage plus précis, prédit quels résultats pour les patients correspondraient à différents traitements.
Dans le cadre de la comparaison du modèle à d'autres outils d'apprentissage automatique et de sa validation par rapport aux résultats des essais cliniques, l'étude a montré que la vaste pré-formation constitue l'épine dorsale de l'efficacité de CURE et que l'incorporation de graphiques de connaissances a encore amélioré ses performances.
Zhang envisage un jour – en attendant l'approbation de l'IA comme outil d'aide à la décision par la Food and Drug Administration – où les cliniciens pourraient utiliser ce type d'algorithme, chargé des données des dossiers de santé électroniques de dizaines de millions de personnes, pour accéder au « jumeau numérique » d'un patient réel. ” et laissez le modèle fonctionner comme un guide de traitement.
“Ce modèle est meilleur qu'une boule de cristal : sur la base du Big Data et du modèle de base de l'IA, nous pouvons avoir une confiance raisonnable pour pouvoir dire quelle stratégie de traitement est la meilleure”, a déclaré Zhang, qui dirige le laboratoire d'intelligence artificielle en médecine et est un membre principal du corps professoral du Translational Data Analytics Institute de l’Ohio State. “Nous voulons mettre les médecins aux commandes pour voir si cela peut leur être utile lorsqu'ils prennent des décisions critiques.”
