Il y a encore un long chemin vers la technologie du diabète alimentée par l’IA. En vertu des réglementations des États-Unis et du Royaume-Uni sur les dispositifs médicaux, les systèmes d’administration automatisés d’insuline disponibles dans le commerce, sans IA, appartiennent à la classe de risque la plus élevée. Les systèmes basés sur l’IA en sont aux premiers stades de développement, de sorte que les discussions sur la manière dont ils devraient être réglementés ne font que commencer.
L’expérience d’Emerson était entièrement virtuelle – tester l’administration d’insuline assistée par l’IA chez les personnes soulève une foule de problèmes de sécurité. Dans une situation de vie ou de mort comme le dosage de l’insuline, donner le contrôle à une machine peut être risqué. “De par la nature de l’apprentissage, vous pourriez absolument faire un pas dans la mauvaise direction”, déclare Marc Breton, professeur au Center for Diabetes Technology de l’Université de Virginie, qui n’a pas participé à ce projet. “Un petit écart par rapport à la règle précédente peut créer des différences massives dans la sortie. C’est la beauté de la chose, mais c’est aussi dangereux.
Emerson s’est concentré sur l’apprentissage par renforcement, ou RL, une technique d’apprentissage automatique basée sur des essais et des erreurs. Dans ce cas, l’algorithme a été «récompensé» pour un bon comportement (atteinte d’un objectif de glycémie) et «puni» pour un mauvais comportement (laisser la glycémie devenir trop élevée ou trop basse). Parce que l’équipe ne pouvait pas tester sur de vrais patients, elle a utilisé l’apprentissage par renforcement hors ligne, qui s’appuie sur des données précédemment collectées, plutôt que sur l’apprentissage à la volée.
Leurs 30 patients virtuels (10 enfants, 10 adolescents et 10 adultes) ont été synthétisés par le simulateur de diabète de type 1 UVA/Padova, un substitut approuvé par la Food and Drug Administration pour les tests précliniques chez les animaux. Après s’être entraînés hors ligne sur l’équivalent de sept mois de données, ils ont laissé RL prendre en charge le dosage d’insuline des patients virtuels.
Pour voir comment il a géré les erreurs de la vie réelle, ils l’ont soumis à une série de tests conçus pour imiter les défauts de l’appareil (données manquantes, lectures inexactes) et les erreurs humaines (erreur de calcul des glucides, repas irréguliers) – des tests que la plupart des chercheurs non diabétiques ne penseraient pas courir. “La majorité des systèmes ne prennent en compte que deux ou trois de ces facteurs : leur glycémie actuelle, l’insuline qui a été dosée précédemment et les glucides”, explique Emerson.
Offline RL a géré avec succès tous ces cas extrêmes difficiles dans le simulateur, surpassant les contrôleurs de pointe actuels. Les plus grandes améliorations sont apparues dans des situations où certaines données manquaient ou étaient inexactes, simulant des situations comme celles où quelqu’un s’éloigne trop de son moniteur ou écrase accidentellement son CGM.
En plus de réduire le temps de formation de 90 % par rapport aux autres algorithmes RL, le système a maintenu les patients virtuels dans leur plage de glycémie cible une heure de plus par jour que les contrôleurs commerciaux. Ensuite, Emerson prévoit de tester le RL hors ligne sur des données précédemment collectées à partir de réel les patients. « Un grand pourcentage de personnes atteintes de diabète [in the US and UK] ont leurs données enregistrées en continu », dit-il. “Nous avons cette belle opportunité d’en profiter.”
Mais pour traduire la recherche universitaire en appareils commerciaux, il faut surmonter d’importants obstacles réglementaires et commerciaux. Breton dit que si les résultats de l’étude sont prometteurs, ils proviennent de patients virtuels et d’un groupe relativement restreint d’entre eux. “Ce simulateur, aussi génial soit-il, représente une infime partie de notre compréhension du métabolisme humain”, dit-il. Le fossé entre les études de simulation et l’application dans le monde réel, poursuit Breton, “n’est pas infranchissable, mais il est grand et nécessaire”.
Le pipeline de développement de dispositifs médicaux peut sembler au point mort, en particulier pour les personnes atteintes de diabète. Les tests de sécurité sont un processus lent, et même après la mise sur le marché de nouveaux appareils, les utilisateurs n’ont pas beaucoup de flexibilité, en raison d’un manque de transparence du code, d’accès aux données ou d’interopérabilité entre les fabricants. Il n’y a que cinq paires de pompes CGM compatibles sur le marché américain, et elles peuvent être coûteuses, limitant l’accès et la convivialité pour de nombreuses personnes. “Dans un monde idéal, il y aurait des tonnes de systèmes”, laissant les gens choisir la pompe, le CGM et l’algorithme qui fonctionne pour eux, explique Dana Lewis, fondatrice du mouvement open source du système de pancréas artificiel (OpenAPS). “Vous pourriez vivre votre vie sans trop penser au diabète.”
