{"id":645,"date":"2025-04-16T19:44:56","date_gmt":"2025-04-16T17:44:56","guid":{"rendered":"https:\/\/medmultilingua.com\/frances\/?p=645"},"modified":"2025-04-16T19:44:56","modified_gmt":"2025-04-16T17:44:56","slug":"une-nouvelle-ere-pour-le-soutien-a-la-decision-clinique-quand-lia-apprend-a-partir-des-essais-cliniques","status":"publish","type":"post","link":"https:\/\/medmultilingua.com\/frances\/2025\/04\/16\/une-nouvelle-ere-pour-le-soutien-a-la-decision-clinique-quand-lia-apprend-a-partir-des-essais-cliniques\/","title":{"rendered":"Une nouvelle \u00e8re pour le soutien \u00e0 la d\u00e9cision clinique : quand l\u2019IA apprend \u00e0 partir des essais cliniques"},"content":{"rendered":"\n

Par Dr. Marco Vinicio Benavides S\u00e1nchez.<\/strong><\/p>\n\n\n\n

La m\u00e9decine moderne s\u2019appuie de plus en plus sur l\u2019intelligence artificielle (IA)<\/strong> pour aider les m\u00e9decins \u00e0 prendre des d\u00e9cisions. Ces outils, appel\u00e9s syst\u00e8mes d\u2019aide \u00e0 la d\u00e9cision clinique (ou CDSS)<\/strong>, promettent de personnaliser les traitements, de r\u00e9duire les erreurs humaines et m\u00eame de pr\u00e9dire quelle th\u00e9rapie serait la plus efficace pour un patient donn\u00e9. Mais un obstacle persiste.<\/p>\n\n\n\n

La majorit\u00e9 de ces syst\u00e8mes sont form\u00e9s \u00e0 partir de donn\u00e9es hospitali\u00e8res r\u00e9elles \u2014 c\u2019est-\u00e0-dire des cas o\u00f9 les m\u00e9decins ont d\u00e9j\u00e0 choisi un traitement et observ\u00e9 les r\u00e9sultats. Mais que se passe-t-il lorsque le traitement est encore en phase d\u2019exp\u00e9rimentation, test\u00e9 uniquement dans des essais cliniques, et n\u2019a pas encore \u00e9t\u00e9 int\u00e9gr\u00e9 dans la pratique quotidienne ?<\/p>\n\n\n\n

C\u2019est \u00e0 cette question essentielle que r\u00e9pond une \u00e9tude novatrice publi\u00e9e en 2025 dans Artificial Intelligence in Medicine<\/strong>, dirig\u00e9e par Vishnu Unnikrishnan et son \u00e9quipe. Les chercheurs y proposent une nouvelle m\u00e9thode pour entra\u00eener et valider un syst\u00e8me d\u2019aide \u00e0 la d\u00e9cision \u00e0 partir des donn\u00e9es d\u2019essais cliniques \u2014 m\u00eame quand des informations importantes sont manquantes.<\/p>\n\n\n\n

Un d\u00e9fi de taille : le foss\u00e9 entre la recherche et la pratique<\/strong><\/p>\n\n\n\n

Les essais cliniques randomis\u00e9s (ECR) sont la r\u00e9f\u00e9rence ultime pour prouver l\u2019efficacit\u00e9 d\u2019un traitement. Pourtant, leur structure m\u00eame \u2014 o\u00f9 les patients re\u00e7oivent un traitement de mani\u00e8re al\u00e9atoire \u2014 complique l\u2019apprentissage pour une intelligence artificielle.<\/p>\n\n\n\n

Pourquoi ? Parce que l\u2019IA apprend \u00e0 partir de motifs, de corr\u00e9lations et de logiques. Or, dans un ECR, les traitements ne sont pas choisis en fonction du profil du patient, mais attribu\u00e9s au hasard. Cela signifie que la \u201craison\u201d du choix th\u00e9rapeutique est absente. Pire encore : l\u2019IA ne peut \u00e9valuer l\u2019efficacit\u00e9 d\u2019un traitement que chez les patients qui l\u2019ont effectivement re\u00e7u \u2014 et non chez ceux \u00e0 qui il n\u2019a pas \u00e9t\u00e9 administr\u00e9.<\/p>\n\n\n\n

Cette double absence d\u2019information a longtemps emp\u00each\u00e9 l\u2019IA d\u2019exploiter pleinement les donn\u00e9es des essais cliniques. Jusqu\u2019\u00e0 cette \u00e9tude.<\/p>\n\n\n\n

La perc\u00e9e : apprendre malgr\u00e9 l\u2019invisibilit\u00e9<\/strong><\/p>\n\n\n\n

Les chercheurs ont utilis\u00e9 les donn\u00e9es d\u2019un essai clinique multi-braches impliquant plus de 240 patients souffrant d\u2019acouph\u00e8nes chroniques \u2014 cette sensation de bourdonnement ou de sifflement dans les oreilles. Ces patients ont \u00e9t\u00e9 suivis dans cinq centres cliniques diff\u00e9rents et ont re\u00e7u divers traitements ou combinaisons de traitements.<\/p>\n\n\n\n

Plut\u00f4t que d\u2019attendre que ces traitements soient implant\u00e9s en clinique, l\u2019\u00e9quipe a form\u00e9 un syst\u00e8me de recommandation \u00e0 partir des seules donn\u00e9es de l\u2019essai. Mais comment s\u2019y sont-ils pris ?<\/p>\n\n\n\n

\u00c9tape 1 : Repenser la variable cible<\/strong><\/p>\n\n\n\n

Ils ont d\u2019abord red\u00e9fini la mani\u00e8re dont l\u2019IA \u00e9value le r\u00e9sultat pour chaque patient. Plut\u00f4t que d\u2019associer les effets \u00e0 un traitement sp\u00e9cifique (rappelons qu\u2019il est attribu\u00e9 au hasard), l\u2019IA apprend \u00e0 reconna\u00eetre les motifs d\u2019am\u00e9lioration en g\u00e9n\u00e9ral \u2014 en neutralisant l\u2019effet de la randomisation.<\/p>\n\n\n\n

\u00c9tape 2 : G\u00e9rer les donn\u00e9es manquantes<\/strong><\/p>\n\n\n\n

De nombreux patients pr\u00e9sentaient des dossiers incomplets. Mais l\u2019\u00e9quipe a utilis\u00e9 un noyau d\u2019apprentissage robuste \u00e0 l\u2019absence d\u2019informations. En plus, elle a eu recours \u00e0 des ensembles d\u2019algorithmes<\/strong> (ou ensembles<\/strong>), qui permettent de combiner les r\u00e9sultats de plusieurs mod\u00e8les pour une meilleure performance, m\u00eame avec peu de donn\u00e9es.<\/p>\n\n\n\n

\u00c9tape 3 : V\u00e9rification contrefactuelle<\/strong><\/p>\n\n\n\n

L\u2019aspect le plus original r\u00e9side dans la \u201cv\u00e9rification contrefactuelle\u201d. Cette m\u00e9thode consiste \u00e0 comparer deux sc\u00e9narios : que se serait-il pass\u00e9 si ce patient avait re\u00e7u le traitement recommand\u00e9 par l\u2019IA, au lieu de celui assign\u00e9 au hasard ?<\/em> Lorsque l\u2019IA et l\u2019ECR sont d\u2019accord, les r\u00e9sultats peuvent \u00eatre compar\u00e9s directement. Quand ils diff\u00e8rent, l\u2019\u00e9quipe estime le r\u00e9sultat probable \u00e0 l\u2019aide de donn\u00e9es similaires.<\/p>\n\n\n\n

Des r\u00e9sultats encourageants\u2026 mais \u00e0 nuancer<\/strong><\/p>\n\n\n\n

Le syst\u00e8me a montr\u00e9 qu\u2019il pouvait recommander des traitements qui am\u00e9liorent r\u00e9ellement les r\u00e9sultats des patients \u2014 sans jamais avoir \u00e9t\u00e9 expos\u00e9 \u00e0 des donn\u00e9es hospitali\u00e8res classiques.<\/p>\n\n\n\n

Cependant, les auteurs restent prudents : chaque bras de traitement comportait peu de patients. Et m\u00eame si les m\u00e9thodes utilis\u00e9es limitent l\u2019impact de cette faiblesse, les performances pr\u00e9dictives de l\u2019IA restent perfectibles.<\/p>\n\n\n\n

Mais ce n\u2019est pas tant le r\u00e9sultat que la m\u00e9thode qui est r\u00e9volutionnaire : elle montre qu\u2019il est possible de concevoir des syst\u00e8mes d\u2019aide \u00e0 la d\u00e9cision fiables avant<\/strong> que les traitements ne soient adopt\u00e9s en clinique.<\/p>\n\n\n\n

Et maintenant ? Des patients synth\u00e9tiques et plus de robustesse<\/p>\n\n\n\n

Face au manque de donn\u00e9es suppl\u00e9mentaires, les chercheurs sugg\u00e8rent de g\u00e9n\u00e9rer des donn\u00e9es synth\u00e9tiques<\/strong> \u2014 des dossiers fictifs mais r\u00e9alistes \u2014 pour compl\u00e9ter les bases d\u2019apprentissage. Gr\u00e2ce aux mod\u00e8les g\u00e9n\u00e9ratifs, il est possible de cr\u00e9er de faux patients tout en respectant les normes \u00e9thiques et la confidentialit\u00e9.<\/p>\n\n\n\n

Cela ouvre une nouvelle voie : les m\u00e9decins pourront former des outils d\u2019aide \u00e0 la d\u00e9cision pour de nouveaux traitements, directement \u00e0 partir des ECR \u2014 sans attendre leur d\u00e9ploiement r\u00e9el.<\/p>\n\n\n\n

En conclusion : raccourcir le chemin de la recherche au lit du patient<\/strong><\/p>\n\n\n\n

Cette \u00e9tude marque une \u00e9tape essentielle dans l\u2019int\u00e9gration de l\u2019intelligence artificielle en m\u00e9decine. Dans un contexte o\u00f9 de nouvelles th\u00e9rapies \u00e9mergent sans cesse, cette m\u00e9thode permet de cr\u00e9er plus rapidement des outils d\u2019aide \u00e0 la d\u00e9cision s\u00fbrs et efficaces.<\/p>\n\n\n\n

L\u2019id\u00e9e que l\u2019IA peut apprendre avant m\u00eame<\/strong> que les traitements ne soient utilis\u00e9s change la donne. L\u2019avenir de la m\u00e9decine personnalis\u00e9e devient plus proche \u2014 plus rapide, plus intelligent, et surtout, plus humain.<\/p>\n\n\n\n

R\u00e9f\u00e9rences<\/strong><\/p>\n\n\n\n

1. Unnikrishnan, V., Puga, C., Schleicher, M., Niemann, U., Langguth, B., Schoisswohl, S., Mazurek, B., Cima, R., Lopez-Escamez, J. A., Kikidis, D., Vellidou, E., Pryss, R., Schlee, W., & Spiliopoulou, M. (2025). Training and validating a treatment recommender with partial verification evidence<\/em>. Artificial Intelligence in Medicine, 160<\/strong>, 103062. https:\/\/doi.org\/10.1016\/j.artmed.2024.103062<\/a><\/p>\n\n\n\n

2. Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again<\/em>. Basic Books.<\/p>\n\n\n\n

3. Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., … & Dean, J. (2019). A guide to deep learning in healthcare.<\/em> Nature Medicine, 25<\/strong>(1), 24\u201329. https:\/\/doi.org\/10.1038\/s41591-018-0316-z<\/a><\/p>\n\n\n\n

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

Par Dr. Marco Vinicio Benavides S\u00e1nchez. La m\u00e9decine moderne s\u2019appuie de plus en plus sur l\u2019intelligence artificielle (IA) pour aider les m\u00e9decins \u00e0 prendre des d\u00e9cisions. Ces outils, appel\u00e9s syst\u00e8mes d\u2019aide \u00e0 la d\u00e9cision clinique (ou CDSS), promettent de personnaliser les traitements, de r\u00e9duire les erreurs humaines et m\u00eame de pr\u00e9dire quelle th\u00e9rapie serait la…<\/p>\n","protected":false},"author":1,"featured_media":647,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-645","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/645","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/comments?post=645"}],"version-history":[{"count":15,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/645\/revisions"}],"predecessor-version":[{"id":661,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/posts\/645\/revisions\/661"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/media\/647"}],"wp:attachment":[{"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/media?parent=645"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/categories?post=645"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medmultilingua.com\/frances\/wp-json\/wp\/v2\/tags?post=645"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}