L’hôpital d’Addenbrooke à Cambridge, ainsi que 20 autres hôpitaux du monde entier et le leader des technologies de la santé, NVIDIA, ont utilisé l’intelligence artificielle (IA) pour prédire les besoins en oxygène des patients de Covid à l’échelle mondiale.
La recherche a été déclenchée par la pandémie et visait à créer un outil d’IA pour prédire la quantité d’oxygène supplémentaire dont un patient Covid-19 pourrait avoir besoin au cours des premiers jours de soins à l’hôpital, en utilisant des données provenant de quatre continents.
La technique, connue sous le nom d’apprentissage fédéré, utilisait un algorithme pour analyser les radiographies pulmonaires et les données de santé électroniques des patients hospitalisés présentant des symptômes de Covid.
Pour maintenir une stricte confidentialité des patients, les données des patients ont été entièrement anonymisées et un algorithme a été envoyé à chaque hôpital afin qu’aucune donnée ne soit partagée ou ne quitte son emplacement.
Une fois que l’algorithme a « appris » à partir des données, l’analyse a été regroupée pour créer un outil d’IA qui pourrait prédire les besoins en oxygène des patients hospitalisés Covid partout dans le monde.
Publié le 15 septembre 2021 dans Médecine naturelle, l’étude baptisée EXAM (pour EMonsieur CXR UNEje Model), est l’une des études cliniques d’apprentissage fédéré les plus vastes et les plus diversifiées à ce jour.
Pour vérifier le précision de l’EXAM, il a été testé dans un certain nombre d’hôpitaux sur cinq continents, y compris l’hôpital d’Addenbrooke. Les résultats ont montré qu’il prédisait l’oxygène nécessaire dans les 24 heures suivant l’arrivée d’un patient aux urgences, avec une sensibilité de 95 % et une spécificité de plus de 88 %.
“L’apprentissage fédéré a un pouvoir transformateur pour apporter l’innovation de l’IA au flux de travail clinique”, a déclaré la professeure Fiona Gilbert, qui a dirigé l’étude à Cambridge et est radiologue consultante honoraire à l’hôpital Addenbrooke et présidente de radiologie à l’école de médecine clinique de l’Université de Cambridge.
« Notre travail continu avec EXAM démontre que ces types de collaborations mondiales sont reproductibles et plus efficaces, afin que nous puissions répondre aux besoins des cliniciens pour faire face aux défis de santé complexes et aux futures épidémies. »
Le premier auteur de l’étude, le Dr Ittai Dayan, de Mass General Bingham aux États-Unis, où l’algorithme EXAM a été développé, a déclaré :
« Habituellement, dans le développement de l’IA, lorsque vous créez un algorithme sur les données d’un hôpital, cela ne fonctionne pas bien dans un autre hôpital. En développant le modèle EXAM à l’aide d’un apprentissage fédéré et de données multimodales objectives provenant de différents continents, nous avons pu créer un modèle généralisable qui peut aider les médecins de première ligne du monde entier.
Réunissant des collaborateurs d’Amérique du Nord et du Sud, d’Europe et d’Asie, l’étude EXAM n’a pris que deux semaines d’« apprentissage » de l’IA pour obtenir des prédictions de haute qualité.
« L’apprentissage fédéré a permis aux chercheurs de collaborer et d’établir une nouvelle norme pour ce que nous pouvons faire à l’échelle mondiale, en utilisant la puissance de l’IA », a déclaré le Dr Mona G Flores, responsable mondial de l’IA médicale chez NVIDIA. “Cela fera progresser l’IA non seulement pour les soins de santé, mais dans tous les secteurs qui cherchent à créer des modèles robustes sans sacrifier la confidentialité.”
Les résultats d’environ 10 000 patients COVID du monde entier ont été analysés dans l’étude, dont 250 qui sont venus à l’hôpital d’Addenbrooke lors de la première vague de la pandémie en mars/avril 2020.
La recherche a été soutenue par le Centre de recherche biomédicale de Cambridge (BRC) de l’Institut national de recherche en santé (NIHR).
Les travaux sur le modèle EXAM se sont poursuivis. Mass General Brigham et le NIHR Cambridge BRC travaillent avec la startup NVIDIA Inception Rhino Health, cofondée par le Dr Dayan, pour mener des études prospectives utilisant EXAM.
Le professeur Gilbert a ajouté : « Créer un logiciel qui correspond aux performances de nos meilleurs radiologues est complexe, mais c’est une aspiration véritablement transformatrice. Plus nous pourrons intégrer en toute sécurité des données provenant de différentes sources à l’aide d’un apprentissage fédéré et d’une collaboration, et disposer de l’espace nécessaire pour innover, plus rapidement les universitaires pourront concrétiser ces objectifs de transformation.
Référence : « Apprentissage fédéré pour prédire les résultats cliniques chez les patients atteints de COVID-19[feminine» par Ittai Dayan, Holger R. Roth, Aoxiao Zhong, Ahmed Harouni, Amilcare Gentili, Anas Z. Abidin, Andrew Liu, Anthony Beardsworth Costa, Bradford J. Wood, Chien-Sung Tsai, Chih-Hung Wang, Chun-Nan Hsu , CK Lee, Peiying Ruan, Daguang Xu, Dufan Wu, Eddie Huang, Felipe Campos Kitamura, Griffin Lacey, Gustavo César de Antônio Corradi, Gustavo Nino, Hao-Hsin Shin, Hirofumi Obinata, Hui Ren, Jason C. Crane, Jesse Tetreault , Jiahui Guan, John W. Garrett, Joshua D. Kaggie, Jung Gil Park, Keith Dreyer, Krishna Juluru, Kristopher Kersten, Marcio Aloisio Bezerra Cavalcanti Rockenbach, Marius George Linguraru, Masoom A. Haider, Meena AbdelMaseeh, Nicola Rieke, Pablo F Damasceno, Pedro Mario Cruz e Silva, Pochuan Wang, Sheng Xu, Shuichi Kawano, Sira Sriswasdi, Soo Young Park, Thomas M. Grist, Varun Buch, Watsamon Jantarabenjakul, Weichung Wang, Won Young Tak, Xiang Li, Xihong Lin, Young Joon Kwon, Abood Quraini, Andrew Feng, Andrew N. Priest, Baris Turkbey, Benjamin Glicksberg, Bernardo Bizzo, Byung Seok Kim, Carlos Tor-Díez, Chia-Cheng Lee, Chia-Jung Hsu, Chin Lin, Chiu-Ling Lai, Christopher P. Hess, Colin Compas, Deepeksha Bhatia, Eric K. Oermann, Evan Leibovitz, Hisashi Sasaki, Hitoshi Mori , Isaac Yang, Jae Ho Sohn, Krishna Nand Keshava Murthy, Li-Chen Fu, Matheus Ribeiro Furtado de Mendonça, Mike Fralick, Min Kyu Kang, Mohammad Adil, Natalie Gangai, Peerapon Vateekul, Pierre Elnajjar, Sarah Hickman, Sharmila Majumdar, Shelley L. McLeod, Sheridan Reed, Stefan Gräf, Stephanie Harmon, Tatsuya Kodama, Thanyawee Puthanakit, Tony Mazzulli, Vitor Lima de Lavor, Yothin Rakvongthai, Yu Rim Lee, Yuhong Wen, Fiona J. Gilbert, Mona G. Flores et Quanzheng Li, 15 septembre 2021, Médecine naturelle.
DOI : 10.1038 / s41591-021-01506-3
