Apprentissage Automatique dans la Maladie Pulmonaire Obstructive Chronique
La maladie pulmonaire obstructive chronique (MPOC) représente un enjeu de santé mondial majeur, l’Organisation Mondiale de la Santé prévoyant qu’elle deviendra la troisième cause de mortalité et la septième cause de morbidité à l’échelle mondiale d’ici 2030. Les exacerbations aiguës de la MPOC (EAMPOC) sont particulièrement préoccupantes, car elles sont associées à un déclin accéléré de la fonction pulmonaire, une diminution de la qualité de vie et une mortalité accrue. La détection précoce et précise des EAMPOC est cruciale pour une meilleure gestion et une réduction de la mortalité. Ces dernières années, l’apprentissage automatique (AA) est apparu comme un outil puissant en analyse prédictive, offrant de nouvelles façons de lutter plus efficacement contre la MPOC.
Cet article explore l’application de l’AA dans la prévention et le contrôle de la MPOC, en se concentrant sur trois aspects clés : l’évaluation des échelles et la classification des patients, l’évaluation de la fonction pulmonaire, et les méthodes de prédiction des exacerbations aiguës lors des EAMPOC. De plus, il analyse les lacunes et les défis de la technologie actuelle d’AA dans la prévention et le diagnostic de la MPOC.
Évaluation des Échelles et Classification des Patients
Pour mieux distinguer les patients présentant des EAMPOC potentiellement sévères, des échelles spécifiques liées à la phase d’exacerbation aiguë ont été développées sur la base d’études cliniques à grande échelle et d’analyses. Celles-ci incluent le score de physiologie de la MPOC et de l’asthme, le score BAP-65 et le score AECOPD-F. Les résultats comparatifs de la synthèse des données indiquent qu’un système de notation intégré et complet offre des avantages significatifs par rapport à un indice d’évaluation unique. Un tel système peut guider plus commodément les praticiens à prendre des mesures de traitement raisonnables de manière ciblée et à ajuster rapidement l’intensité du traitement clinique, améliorant ainsi les soins médicaux et le pronostic des patients.
L’évaluation et le classement des patients présentant des exacerbations aiguës sont encore au stade exploratoire et doivent être combinés avec des indicateurs objectifs cliniques tels que les tests de fonction pulmonaire, les comorbidités et les biomarqueurs. Cette combinaison facilite une classification phénotypique précise, une évaluation de la gravité et un guide de traitement pour les patients.
Une étude de Pikoula et al. a démontré que la MPOC peut se présenter avec divers phénotypes, étiologies et caractéristiques pronostiques. Grâce à une analyse de cluster des données des dossiers médicaux électroniques, les caractéristiques des patients en termes de démographie, comorbidités, risque de décès et exacerbations ont été identifiées et caractérisées. L’étude a montré que les patients pouvaient être classés en cinq phénotypes sans tests spécifiques. Cependant, les frontières entre les phénotypes ne sont pas claires, et les patients complexes peuvent appartenir à plusieurs phénotypes.
Les patients sont classés selon leur présentation clinique et la progression de la maladie, et le modèle probabiliste est associé à un ensemble de données de multiples variables par une analyse de catégorie potentielle. Cette approche combine différentes caractéristiques des patients pour la prédiction de classification, fournissant des valeurs de référence importantes pour un traitement individualisé.
Évaluation de la Fonction Pulmonaire
Lorsque la fonction pulmonaire s’est détériorée en dessous du niveau de compatibilité permettant des tests de fonction pulmonaire, les médecins ne peuvent pas déterminer le niveau exact de la fonction pulmonaire. Ceci est particulièrement problématique chez les patients âgés, qui sont plus susceptibles de subir des EAMPOC. L’utilisation d’algorithmes d’AA pour la prédiction de la fonction pulmonaire aide les médecins dans la prise de décision clinique et améliore la pratique clinique.
Une étude de Chen et al. a développé un modèle de prédiction basé sur la régression à vecteurs de support à sorties multiples, qui, combiné avec des paramètres démographiques et inflammatoires, a permis de prédire les indices de fonction pulmonaire. Cependant, la petite taille de l’échantillon de l’étude et la prédominance des hommes limitent l’effet prédictif du modèle pour les femmes.
Méthodes de Prédiction des Exacerbations Aiguës
La télésurveillance à domicile inclut l’utilisation de dispositifs électroniques et de technologies de l’information électronique pour l’échange d’informations sans fil, permettant la collecte régulière de données cliniques. Les services de gestion des soins chroniques soutenus par la télésanté promeuvent l’autogestion des patients, améliorent le contrôle, améliorent la qualité de vie et préviennent les admissions à l’hôpital.
Dans une étude de Wu et al., des prédictions fiables des futurs événements d’EAMPOC ont été faites en utilisant des dispositifs portables, des capteurs de qualité de l’air à domicile, des applications pour smartphones et des algorithmes de prédiction supervisés. La précision, la sensibilité, la spécificité et l’aire sous la courbe ROC du modèle étaient supérieures à 0,9. Cependant, en raison des limitations des capteurs de qualité de l’air, la portée de la collecte environnementale est limitée à la chambre de l’utilisateur, ce qui implique une infériorité dans la représentativité des résultats de prédiction.
Un nombre croissant de technologies de capteurs intelligents sont capables de suivre en continu les mouvements du corps et de détecter les signes vitaux des patients. Cependant, les patients âgés à mobilité réduite sont sujets au rejet et à la mauvaise adaptation aux équipements de surveillance, nécessitant de multiples mesures des données expérimentales et un tri et une compilation. De plus, la non-fiabilité des mesures des données physiologiques des patients pendant les EAMPOC et la présence d’une thérapie ciblée entravent la précision de l’algorithme. L’autogestion des patients peut interférer avec ce qui serait autrement une histoire naturelle de détérioration, réduisant la relation entre certains signes et l’admission mais renforçant la relation entre certains composants de l’algorithme et les décisions prédictives.
Sons Respiratoires et AA
Les sons respiratoires sont des signes importants des poumons et contiennent une grande quantité d’informations physiologiques et pathologiques. En utilisant des stéthoscopes traditionnels, il est difficile de capturer certains signaux sonores physiologiques faibles, et l’expérience subjective peut facilement influencer les résultats de diagnostic des médecins. Le développement rapide de la technologie électronique et des algorithmes d’AA a joué un rôle significatif dans l’analyse des sons respiratoires, aidant les médecins dans le diagnostic des maladies respiratoires et identifiant intelligemment l’état des patients atteints de MPOC.
Altan et al. ont développé une méthode pour se concentrer directement sur les sons pulmonaires, analysant 12 sons pulmonaires distincts associés à différents degrés de sévérité de la MPOC. L’étude a évalué la sévérité de la MPOC en utilisant des sons pulmonaires multicanaux et a appliqué des cartes de différence de second ordre tridimensionnelles pour extraire les anomalies caractéristiques des sons pulmonaires. Un classificateur de machine d’apprentissage extrême profond (Deep-ELM) a été utilisé pour la classification afin de prédire la sévérité de la MPOC. Le modèle a bien performé, avec une précision, une sensibilité et une spécificité supérieures à 0,9.
Cependant, ces études ont certaines limitations, principalement la petite taille de l’échantillon et la nature monocentrique de la collecte des données. Le rejet des dispositifs d’auscultation par les patients, l’incomplétude des caractéristiques de l’étude et la possibilité d’un optimum local posent également des défis. De plus, le modèle peut être considéré comme une « boîte noire » qui ne permet pas au personnel clinique de comprendre la logique du résultat.
Caractéristiques Cliniques et AA
Lorsqu’un patient est trop malade pour effectuer efficacement des tests de fonction pulmonaire, le patient doit être évalué en termes de caractéristiques cliniques. Peng et al. ont collecté des dossiers médicaux et sélectionné 28 caractéristiques, y compris les signes vitaux, les antécédents médicaux, les comorbidités et divers indicateurs inflammatoires. La performance du modèle C5.0 construit a été analysée et s’est avérée supérieure à celles des modèles C4.5, arbres de classification et de régression, et dichotomiques itératifs. L’étude a démontré que le classificateur d’arbre de décision C5.0 a le mieux performé et a aidé les médecins respiratoires à évaluer rapidement la sévérité des EAMPOC chez les patients à un stade précoce. Cependant, les indicateurs inflammatoires tels que les interleukines étaient manquants dans l’étude en raison du fait que seulement un petit nombre de patients avaient subi les tests pertinents.
Les études mentionnées ci-dessus ont certaines limitations : les tests cliniques effectués sur des patients dans différents hôpitaux ou par différents médecins ne sont pas uniformes, et il existe des différences dans le nombre et l’importance des caractéristiques. Certains indicateurs sont difficiles à quantifier, comme la dépression et l’anxiété, et la mobilité. Chaque modèle d’étude n’est adapté qu’à des patients spécifiques qui répondent à des critères spécifiques, et la capacité de généralisation du modèle est limitée.
Tomodensitométrie Thoracique et AA
La tomodensitométrie thoracique (TDM) est une technique d’imagerie avancée largement utilisée pour détecter les anomalies de la texture pulmonaire ainsi que l’état de la MPOC. Cependant, les résultats de la TDM thoracique fournissent une grande quantité de données d’images, à partir desquelles les irrégularités physiopathologiques ne peuvent pas être identifiées à l’œil nu. Cela remet en question la nécessité d’algorithmes d’AA pour aider à la prise de décision.
L’AA peut être utilisé pour l’analyse automatisée des tests de fonction pulmonaire et le diagnostic différentiel de la MPOC. Ces dernières années, l’apprentissage faiblement supervisé, en particulier, a été grandement développé et appliqué dans la TDM thoracique en raison de sa commodité, de sa large couverture et de ses bonnes performances d’application.
Dans une étude prospective récente, des machines à vecteurs de support et des algorithmes de régression logistique ont été utilisés pour analyser les images de TDM thoracique afin d’évaluer la fonction de ventilation pulmonaire dans la MPOC. Le modèle d’évaluation (machine à vecteurs de support quadratique) a été testé pour sa validité chez 27 patients atteints de MPOC sur la base de 87 caractéristiques d’images avec une précision de 88 % et une valeur AUC de 0,82. Bien que ces résultats soient encourageants, la taille de l’échantillon était petite, et la plupart des patients avaient une MPOC modérée à sévère, suggérant que les patients atteints de MPOC légère qui sont éligibles devraient être inclus dans les études futures. De même, Sun et al. ont développé des modèles d’apprentissage profond faiblement supervisés qui utilisent les données d’images de TDM pour la détection automatisée et la stadification de la MPOC définie par spirométrie parmi la population naturelle.
Ces études ont des limitations : l’utilisation de l’apprentissage profond nécessite des coûts de formation élevés et des exigences de mémoire ; une grande quantité de données est nécessaire pour atteindre une performance stable du modèle ; et la nature de « boîte noire » de l’apprentissage profond et même de l’AA peut conduire à des résultats inconfortables.
Gènes, Données d’Assurance, Facteurs Sociaux et Biomarqueurs
Les chercheurs ont classé et diagnostiqué les patients atteints de MPOC sous plusieurs angles, y compris les gènes, les données d’assurance, les facteurs sociaux et les biomarqueurs. Dans une étude de Ma et al., 101 polymorphismes nucléotidiques simples (SNPs) ont été déterminés par analyse Mass Array, et six modèles de prédiction ont été développés et évalués pour prédire le développement de la MPOC en combinant les SNPs et les informations cliniques. Les modèles ont montré de bonnes performances dans la prédiction du risque de MPOC, compensant le manque de tests de fonction pulmonaire aux stades précoces de la maladie.
Ces études et modèles prédictifs aident les médecins à divers aspects et degrés de soutien à la décision et peuvent effectivement sauver des ressources de santé précieuses. Les gouvernements sont en mesure d’étendre les soins nécessaires pour les patients atteints de MPOC.
Directions Futures
Les techniques d’AA et même les applications de l’intelligence artificielle en médecine sont un sujet de plus en plus important, bien que l’AA ait actuellement des difficultés à garantir une capacité de généralisation et à fournir des informations valides pour les relations entre des caractéristiques de haute dimension. À l’avenir, les modèles et algorithmes d’AA, validés en utilisant de grands ensembles de données réels ainsi que des données cliniques surveillées en continu, et combinés avec des plateformes cloud et l’ingénierie IoT, amélioreront effectivement la vitesse de calcul et les capacités de traitement des données. Cela permettra de réaliser des applications à distance, d’aider les médecins à obtenir de multiples perspectives et directions dans le diagnostic et l’évaluation, d’améliorer la survie des patients, de réduire le gaspillage des ressources médicales et potentiellement d’élever la gestion de la MPOC à un tout nouveau niveau, apportant une aide et une réhabilitation efficaces aux patients atteints de MPOC et aux médecins.
doi.org/10.1097/CM9.0000000000002247