Des chercheurs de l’allemand Cancer Research Center ont développé un modèle d’intelligence artificielle, Delphi-2M, qui peut prédire le risque d’un individu pour plus de 1 000 maladies jusqu’à deux décennies dans le futur en utilisant des dossiers médicaux. Cette évolution s’aligne sur un changement plus large des soins de santé du traitement réactif à la prévention proactive. Bien que les algorithmes aient été créés pour prédire le risque de conditions uniques, les maladies sont souvent interconnectées. Un modèle complet qui peut expliquer cette complexité pourrait éclairer un traitement précoce, améliorer le dépistage ciblé et identifier les personnes à haut risque qui pourraient autrement être négligées.
Comment fonctionne Delphi-2M
Le modèle Delphi-2M est un modèle grand langage (LLM), similaire à la technologie derrière les chatbots générateurs de texte. Au lieu d’être formé sur le texte Internet, il a été développé en traitant plus de 400 000 dossiers médicaux complets de la biobanque britannique. Ces données cliniques ont été complétées par des informations sur le mode de vie, telles que l’indice de masse corporelle et le statut de tabagisme. Le modèle traite les antécédents médicaux d’un patient comme une séquence de «jetons de maladie», où chaque code diagnostique représente une étape dans une progression potentielle de la maladie. En analysant ces séquences, l’IA apprend les modèles statistiques de la façon dont les différentes conditions se connectent et se suivent au fil du temps. Une caractéristique clé est sa capacité à réévaluer dynamiquement les prédictions. Lorsque de nouvelles informations, comme un résultat sanguin récent, sont ajoutées, le modèle peut mettre à jour ses calculs de risque pour cette personne, permettant une surveillance continue de la santé.
Performance et validation
Dans les évaluations du rendement, Delphi-2M a apparié ou dépassé la précision des scores de risque cliniques établis pour la majorité des 1 258 maladies sur lesquelles il a été formé. Il a également surclassé d’autres prédicteurs d’IA médicaux spécialisés conçus pour prévoir les maladies uniques. Le modèle s’est avéré particulièrement efficace pour prédire le risque à long terme de maladies cardiovasculaires et de démence, montrant une plus grande précision que certains modèles basés sur des biomarqueurs, même lorsque vous prévoyez deux décennies dans le futur. Cependant, le modèle a eu du mal à prédire avec précision les conditions avec des trajectoires plus variables fortement influencées par les changements de style de vie, tels que le diabète de type 2. Cela indique une limitation de sa capacité à tenir compte des facteurs non capturés de manière cohérente dans les dossiers de santé électroniques. Pour tester sa robustesse, les chercheurs ont appliqué le modèle au registre national danois des patients, qui contient des dossiers pour près de deux millions de citoyens. Malgré les différences dans les populations et les systèmes de santé, la précision de la prédiction du modèle est restée élevée, ce qui suggère qu’elle a appris les principes fondamentaux de la progression de la maladie humaine.
Conception éthique et applications futures
Delphi-2M a été conçu avec des considérations pratiques et éthiques à l’esprit. Il peut apprendre des dossiers médicaux synthétiques pour protéger la vie privée des patients et est une IA « explicable », ce qui signifie qu’elle peut fournir une justification pour ses prédictions en regroupant les conditions et symptômes liés. Les chercheurs soulignent que le modèle identifie les associations statistiques, et non la causalité. Le modèle est construit avec une conception modulaire pour incorporer des types de données supplémentaires à l’avenir, tels que la génomique, l’imagerie diagnostique et les données des appareils portables. Actuellement, l’outil est testé dans d’autres pays avec diverses populations. Dans sa forme actuelle, il pourrait être utilisé en milieu clinique pour identifier les individus qui bénéficieraient d’un dépistage précoce, même s’ils ne répondent pas aux critères traditionnels.
Réception experte
Le modèle a été reçu positivement par des experts non impliqués dans l’étude. Justin Stebbing, professeur à l’Université Anglia Ruskin, a appelé l’outil « une réussite » qui établit « une nouvelle norme pour la précision prédictive et l’interprétabilité ». Gustavo Sude, chercheur au King’s College de Londres, a décrit la recherche comme:
« Une étape significative vers l’évolution, interprétable et, surtout, la forme éthiquement responsable de la modélisation prédictive en médecine. »
