COMMENT LES FUTURS SYSTÈMES DE CAO PEUVENT PRÉVENIR L'ÉPUISEMENT DES CLINICIENS

Le système de diagnostic assisté par ordinateur (CAD) Ai & DL d'aujourd'hui peut-il retenir les médecins ?

Les cliniciens s'épuisent. Dans une récente enquête de l'AMA, 54% des urologues se sentaient épuisés. Ils ont été suivis par des spécialistes en :

neurologie (50 %)

néphrologie (49 %)

Endocrinologie (46 %)

médecine familiale (46 %)

radiologie (46 %)

La pandémie de COVID-19 a aggravé les choses, laissant les groupes de soins de santé et les hôpitaux à court de personnel pour faire face à l'augmentation drastique du nombre de patients.

Les aides technologiques comme les dossiers médicaux électroniques (DME) et la transcription médicale étaient censées faciliter les choses. Malheureusement, ils se sont avérés être un sac médical mixte. Il est donc compréhensible que de nombreux cliniciens voient un regain d'intérêt pour le diagnostic assisté par ordinateur (CAD) avec quelques appréhensions. Les nouvelles avancées de l'intelligence artificielle et de l'apprentissage automatique (en particulier l'apprentissage en profondeur) dans la CAO devraient, espérons-le, atténuer ces doutes.

Pourquoi CADe et CADx ont échoué

Les systèmes de détection assistée par ordinateur (CADe) sont utilisés pour trouver des masses dans les images médicales. Le diagnostic assisté par ordinateur (CADx) devait aider les cliniciens à déterminer si ces masses affichées étaient bénignes ou malignes. Les radiologues étaient particulièrement friands de cette technologie, qui existe depuis le milieu des années 1970. Ils espéraient que les deux leur permettraient de gérer rapidement et avec précision le nombre toujours croissant d'images médicales.

Malheureusement, les examens de l'utilisation clinique de ces premiers systèmes ont montré peu de réduction de la charge de travail des radiologues. En fait, il a fait le contraire, les augmentant jusqu'à 19 %, car les cliniciens ont été contraints de rejeter de nombreuses balises CAD-positives comme fausses tout en trouvant de nouvelles masses non signalées ou non détectées. En 2018, Medicare a arrêté les remboursements pour la coronaropathie.

Avantages de la détection assistée par ordinateur

Aux États-Unis, CADe est la seule version officiellement approuvée par la FDA. Et avec raison. Selon le CDC, les taux de décès par cancer aux États-Unis sont en baisse depuis 1999. Cette année-là, les décès par cancer étaient d'environ 200 pour 100 000 personnes. Ce chiffre est tombé à 144 pour 100 000 en 2020.

Cette baisse a eu un coût pour les prestataires comme les radiologues. Certains devront peut-être revoir 20 à 100 numérisations, chacune contenant des milliers d'images. Cela s'ajoute à leurs autres fonctions de :

voir des malades

effectuer des tests de dépistage

rédiger / dicter / éditer des rapports complets sur les résultats

discuter des résultats avec les patients et les autres cliniciens

Il n'est pas étonnant que près de 50 % des radiologues souffrent d'épuisement professionnel.

AI et DL dans le diagnostic assisté par ordinateur. Un changeur de jeu ?

Les radiologues espéraient qu'un programme CADx pourrait être développé pour interpréter la fiabilité des images médicales aussi précisément qu'un membre expérimenté dans son propre domaine.

Malheureusement, les premières versions de ces systèmes numérisaient et interprétaient des images médicales à l'aide de programmes écrits dans un but précis. Cela signifiait qu'un nouveau programme devait être écrit chaque fois que les cliniciens voulaient que le système de CAO fasse quelque chose de différent. Cela a limité les capacités de diagnostic du système.

Le développement de l'intelligence artificielle avec des capacités d'apprentissage en profondeur pourrait enfin changer cela.

Intelligence artificielle

Grâce aux progrès de l'intelligence artificielle (IA), les futurs systèmes de CAO peuvent assembler un composite à partir d'une variété d'images. Ils peuvent être sous différents angles et même tirés de scans précédents. Ceci est bien plus efficace que les systèmes de CAO précédents et actuels qui ne peuvent afficher et examiner qu'une seule image à la fois.

Mieux encore, les analyses peuvent être extraites de diverses sources. Ceux-ci incluent non seulement des appareils de balayage typiques comme l'IRM, l'échographie et la tomosynthèse mammaire numérique, mais même extraits du DME stocké dans une tablette médicale. Le résultat est une image composite beaucoup plus complète avec moins de faux positifs et de masses manquées.

L'apprentissage en profondeur

L'apprentissage en profondeur (DL) est un algorithme qui simule la façon dont les êtres humains apprennent quelque chose. Les systèmes CADx l'utilisent pour classer les énormes quantités de données qu'ils reçoivent des appareils de numérisation médicale. Les résultats arrivent déjà et semblent prometteurs. Il existe des systèmes de CAO effectuant une évaluation de la rétine et une analyse des lésions cutanées qui correspondent aux niveaux humains en termes de précision. D'autres montrent une précision similaire dans la détection et la détermination du cancer de la prostate à partir d'examens IRM. Enfin, les CAD utilisant DL ont à la fois trouvé et déterminé des cancers à partir de tomodensitogrammes avec une précision égale à celle des radiologues thoraciques. Les futurs radiologues auront une plus grande confiance dans ces systèmes CADe et CADx et leur permettront de fournir de meilleurs soins aux patients.

Réflexions finales

La détection et le diagnostic assistés par ordinateur (CAD) se sont révélés très prometteurs pour aider les cliniciens dans leur travail, en particulier dans la détection du cancer. Le système a calé en raison des limites de la technologie à l'époque. Les nouveaux systèmes de CAO, utilisant les avancées de l'IA et de la DL, cherchent enfin à tenir cette promesse alors que les cliniciens d'aujourd'hui luttent contre l'épuisement professionnel.

Contactez un expert de Cybernet si vous souhaitez en savoir plus sur toutes les versions de CAD et comment elles peuvent s'appliquer à votre groupe médical.