a
b
c
d
a
b
c
d
e
a
%
Sous forme d’interrogatoire avec le patient, le médecin se renseigne sur les symptômes (douleurs ressentis, gênes…) et l’histoire de la maladie (depuis quand les symptômes sont apparus, contacts avec un malade…). Le médecin peut se renseigner sur les traitements en cours du patient, sur les antécédents familiaux ou toute autre information qu’il jugera utile.
D’après les symptômes exprimés par le patient, le médecin procède à des examens physiques pour constater et récolter plus d’informations (examen de la gorge, auscultation du cœur, prise de la tension…).
Par une opération mentale rapide et intuitive (heuristique), le médecin se base sur son expérience pour trier les symptômes et retenir les plus pertinents. Il synthétise et relie les informations récoltées entre elles.
Fruit de sa réflexion, le médecin détermine le trouble de son patient. Sur cette base, il peut ensuite proposer un pronostic, une réponse thérapeutique adaptée, ou continuer les examens pour poursuivre l’investigation.
a
Collecte et préparation des données
Les données sont collectées depuis des cas cliniques transmis par les médecins avec l’accord des patients. Un cas clinique peut inclure des caractéristiques (âge, poids, style de vie…), des antécédents, des symptômes (ex : mal de gorge), et un diagnostic associé (ex : grippe). Les données sont ensuite nettoyées et normalisées.
b
Division de la base de données
Une fois les données préparées, elles sont divisées en deux ensembles distincts :
▪ La base d'entraînement
▪ La base de test
La base d'entraînement sera utilisée pour entraîner le modèle à déduire un diagnostic à partir de cas cliniques, tandis que la base de test permettra d’évaluer les performances du modèle d’IA une fois entraîné à la prédiction de diagnostics.
c
Création d'un modèle d’IA
Un modèle d’IA est une fonction mathématique qui, dans notre cas, permet de prédire un diagnostic à partir d’informations données. Pour le créer, il faut choisir un algorithme d'apprentissage automatique approprié au problème (régression linéaire, arbres de décision, réseaux de neurones…). Sur la base d’entraînement, l’algorithme apprend à associer des caractéristiques, antécédents et symptômes à un diagnostic précis, à partir des cas cliniques fournis.
Une fois le modèle entraîné sur la base d’apprentissage, il est testé sur la base de test, contenant des cas cliniques auxquels il n'a pas été exposé auparavant. Sera-t-il en mesure de prédire le diagnostic de ces nouveaux cas ? Ce test permet de mesurer les performances et la capacité de généralisation du modèle sur de nouveaux cas cliniques.
e
Mesure du score du modèle
Les prédictions de l’algorithme sont ensuite comparées aux diagnostics réels à l'aide de mesures de qualité, des évaluations objectives sous forme d'équations mathématiques. Le score obtenu permet de quantifier l'efficacité du modèle à faire des prédictions précises sur de nouvelles données. Si le score est bon, le modèle est prêt pour diagnostiquer dans un contexte médical. Si le score n’est pas satisfaisant, le modèle d’IA est révisé et/ou ré-entrainé.
a
Implémentation du nouvel outil d’IA
Le modèle d’IA obtient des scores satisfaisants, il est prêt à être installé dans un service médical. Ce nouvel outil d’IA peut désormais aider les professionnels de la santé dans la pose de diagnostics.