L'intelligence artificielle ne remplacera jamais un médecin. Cependant, Les chercheurs du Pacific Northwest National Laboratory du ministère de l'Énergie ont fait un grand pas vers le jour où l'IA pourra aider les médecins à prédire les événements médicaux. Une nouvelle approche développée par les scientifiques du PNNL améliore la précision du diagnostic des patients jusqu'à 20 % par rapport à d'autres approches d'intégration.

L'approche PNNL cherche à capturer et à recréer les types de connexions que les médecins établissent naturellement lorsqu'ils appliquent une vie d'apprentissage et de connaissances au patient qui se tient devant eux dans la salle d'examen. L'objectif :utiliser les solides capacités d'IA du laboratoire en apprentissage automatique et en apprentissage en profondeur pour améliorer les soins aux patients et sauver des vies.

Les scientifiques du PNNL ont récemment discuté de leur nouvelle approche dans un article présenté lors de l'atelier Data Science for Healthcare lors de la conférence SIGKDD sur la découverte des connaissances et l'exploration de données.

Au cœur du développement se trouve un ensemble de données PNNL créé en collaboration avec l'Université de Stanford de plus de 300, 000 concepts médicaux définis par les termes cliniques SNOMED, une collection de termes médicaux standard, codes, synonymes et définitions utilisés par les chercheurs et les praticiens médicaux. Le PNNL a développé une méthode d'apprentissage basée sur des graphes basée sur ces termes qui a surpassé les modèles actuels. Le code est disponible en téléchargement open source.

"Si vous pensez qu'il est difficile de traduire l'écriture des médecins, essayez de traduire leurs connaissances médicales en langage informatique, " observe Robert Rallo, un informaticien au PNNL qui dirige l'équipe du PNNL appliquant l'intelligence artificielle aux soins de santé. "La partie la plus difficile est de combiner plusieurs types de données. Les données conviviales comme les numéros d'analyses sanguines ou les codes de diagnostic sont plus faciles que les données non structurées comme les notes de dossier ou les images de radiographies ou d'IRM."

Rallo et le reste de l'équipe du PNNL créent des moyens de fusionner les nombreux types de données sur les soins de santé avec un outil d'IA connu sous le nom de graphique de connaissances dans le cadre du projet Deep Care financé par le PNNL.

"Un graphe de connaissances est ce que les médecins ont en tête lorsqu'ils vous diagnostiquent, " a déclaré Rallo. " Les médecins voient les relations fondées sur des années de formation et d'expérience. C'est leur modèle mental qui crée des liens entre les symptômes et les maladies. Nous traduisons une représentation symbolique de connaissances médicales comme celle-ci en quelque chose que nous pouvons alimenter des algorithmes d'apprentissage automatique avec les données des patients."

L'informaticien du PNNL Khushbu Agarwal souligne que l'IA ne remplacera pas les médecins. Au lieu, L'IA sera un outil d'aide à la décision. Les modèles auront accès à plus de données et à plus de connexions que ce qui peut être stocké dans n'importe quel cerveau humain. Bien plus qu'une base de données, les modèles peuvent même détecter des connexions qu'un médecin observant un ensemble de symptômes aléatoires peut ne pas considérer initialement. Mais on ne devrait pas s'attendre à ce que les médecins prennent le résultat d'un modèle pour argent comptant. Sutanay Choudhury, informaticien au PNNL, se concentre sur l'interprétabilité de ces modèles. Il travaille à construire un outil qui puisse expliquer son raisonnement, prédictions et recommandations à l'aide d'exemples compréhensibles que les médecins interpréteront. De telles explications augmentent la confiance dans le modèle, que l'équipe du PNNL envisage de déployer un jour dans les cliniques médicales.

Dans le cadre de la prochaine phase de ses recherches, l'équipe du PNNL travaille avec un nouvel ensemble de données dans le cadre d'une collaboration entre la Veterans Administration et le Department of Energy. L'initiative VA-DOE Big Data Science a créé un environnement informatique sécurisé pour les analyses de données médicales et comprend de nouvelles approches pour étudier le suicide, maladies cardiovasculaires et cancer de la prostate.