L’Intelligence Artificielle dans la Maladie Inflammatoire Chronique de l’Intestin : État Actuel et Opportunités

Au cours de la dernière décennie, l’intelligence artificielle (IA) a réalisé des progrès significatifs dans le domaine de la gastroentérologie, en particulier dans la prise en charge des maladies inflammatoires chroniques de l’intestin (MICI). Les MICI, qui incluent la maladie de Crohn (MC) et la rectocolite hémorragique (RCH), constituent des pathologies chroniques complexes représentant un fardeau sanitaire majeur, notamment dans les pays occidentaux. L’application de l’IA, en particulier du machine learning (ML), montre des perspectives prometteuses pour améliorer le diagnostic, l’évaluation et le traitement des MICI. Cet article offre une synthèse complète de l’état actuel et des opportunités futures de l’IA dans les soins médicaux des patients atteints de MICI.

Le Machine Learning dans les MICI : Vue d’Ensemble

Le machine learning, sous-domaine de l’IA, implique l’utilisation d’algorithmes dont les performances s’améliorent par apprentissage itératif à partir de données. Les méthodes courantes de ML incluent la forêt aléatoire (RF), la machine à vecteurs de support (SVM), la régression longitudinale (LR) et les modèles linéaires généralisés régularisés par elastic net. Ces méthodes ont été employées dans diverses études cliniques pour relever les défis de la prise en charge des MICI, tels que le diagnostic différentiel, l’évaluation de la maladie et la prédiction des résultats thérapeutiques.

Diagnostic Différentiel des MICI

La distinction précise entre MC et RCH est cruciale pour un traitement efficace. Bien que la plupart des cas puissent être différenciés sur la base de caractéristiques cliniques, endoscopiques et histopathologiques, environ 10 à 30 % des patients entrent dans la catégorie des MICI non classées. Plusieurs biomarqueurs, tels que les anticorps anti-Saccharomyces cerevisiae, les anticorps antinucléaires des polynucléaires neutrophiles, la polarisation des lymphocytes T helpers dans la lamina propria et certains micro-ARN (miARN), ont montré un potentiel pour différencier les sous-types de MICI. Cependant, ces biomarqueurs ne sont pas encore largement utilisés en pratique clinique.

Le ML a été employé pour améliorer la précision du diagnostic différentiel. Par exemple, une étude rétrospective portant sur 20 076 patients atteints de MC et 15 307 patients atteints de RCH, issus des bases de données génomiques du Consortium International de Génétique des MICI, a utilisé une SVM pour construire un modèle basé sur plusieurs polymorphismes mononucléotidiques (SNP). Ce modèle a atteint une aire sous la courbe ROC (AUROC) de 0,864 pour différencier la MC de la RCH. Une autre étude portant sur des enfants atteints de MICI a combiné des résultats endoscopiques et histopathologiques pour construire un modèle SVM avec une AUROC de 0,87. De plus, une analyse du microbiote intestinal chez 20 patients atteints de MC et 19 patients atteints de RCH a utilisé la RF pour créer un modèle avec une AUROC de 0,72. Malgré ces résultats prometteurs, ces études étaient rétrospectives et n’incluaient pas un large échantillon de patients atteints de MICI non classées.

D’autres études ont utilisé le ML pour distinguer la RCH ou la MC des témoins sains sur la base de SNP, de miARN ou de données multi-omiques, avec des taux de précision variant de 78,9 % à 92,8 %. Ces résultats suggèrent que le ML pourrait améliorer le diagnostic différentiel des MICI, bien que des recherches supplémentaires soient nécessaires pour valider ces modèles sur des populations plus larges et diversifiées.

Évaluation Endoscopique des MICI

L’endoscopie joue un rôle central dans l’évaluation des MICI. Plusieurs études ont exploré l’utilisation de l’IA dans les procédures endoscopiques, notamment la vidéocapsule endoscopique et l’endocytoscopie, pour évaluer les lésions ulcéreuses intestinales et les lésions histopathologiques actives. Par exemple, des études utilisant la SVM ou des réseaux convolutifs chez des patients atteints de MC ont rapporté des taux de précision élevés (89,3 % à 93,8 %) pour la détection des lésions ulcéreuses. Cependant, ces études n’ont pas systématiquement évalué le statut endoscopique des patients.

Une étude japonaise a utilisé l’endocytoscopie pour évaluer les lésions histopathologiques actives chez des patients atteints de RCH. Un algorithme basé sur la SVM a atteint un taux de précision de 91,0 % en analysant 22 853 images provenant de 187 patients. Une autre étude, portant sur 952 patients atteints de RCH et 30 322 images coloscopiques, a utilisé un réseau convolutif pour construire un modèle avec des AUROC de 0,94 à 0,99 pour différencier les lésions Mayo 0–1 des lésions Mayo 2–3. Ces résultats soulignent le potentiel du ML pour améliorer l’évaluation endoscopique des MICI.

Prédiction des Résultats Thérapeutiques

La prédiction de la réponse aux médicaments et des résultats cliniques est essentielle pour un traitement personnalisé des MICI. Plusieurs études ont utilisé le ML pour développer des modèles prédictifs. Par exemple, Waljee et al. ont utilisé la RF pour prédire la rémission chez des patients sous thiopurines. Un modèle basé sur l’âge et des tests biologiques a atteint une AUROC de 0,79, surpassant le test des 6-thioguanine nucléotides (AUROC de 0,49).

Une autre étude, utilisant des données d’un essai clinique de phase 3 sur le vedolizumab chez des patients atteints de MC, a construit un modèle basé sur des tests biologiques six semaines après l’administration du traitement, avec une AUROC de 0,75 pour prédire la rémission à la semaine 52. De plus, un modèle de RF longitudinal a été développé à partir des données de 20 368 patients issus de la base de données électronique des Veterans Health Administration, atteignant une AUROC de 0,85 pour prédire les hospitalisations. Ces modèles illustrent l’utilité du ML dans la stratification des risques et la planification thérapeutique individualisée.

Prédiction des Résultats Chirurgicaux

Bien que l’incidence des chirurgies pour MICI ait diminué avec l’utilisation croissante des immunosuppresseurs et des agents biologiques, la prédiction du besoin chirurgical reste importante. Une étude portant sur 239 patients atteints de MC a utilisé plusieurs méthodes de ML (RF, SVM, réseaux neuronaux) pour construire des algorithmes basés sur des manifestations cliniques, des résultats radiologiques et des tests biologiques. Le modèle RF a atteint une précision de 96,26 % pour prédire le besoin chirurgical. Une autre étude indienne a utilisé la RF pour prédire la colectomie chez des patients atteints de colite sévère, avec une précision de 77 %. Ces études soulignent le potentiel du ML dans la prédiction des résultats chirurgicaux.

Défis et Opportunités de l’IA dans les MICI

Les Données Massives (Big Data) dans les MICI

Les données massives, caractérisées par des ensembles complexes et volumineux, sont essentielles pour développer des modèles d’IA. Les principales sources incluent les bases de données administratives, les registres d’essais cliniques, les dossiers médicaux électroniques, les images médicales et les données omiques. Cependant, ces données sont souvent hétérogènes et rétrospectives, limitant leur utilité clinique. L’absence de standardisation du diagnostic et des évaluations complique la construction de jeux de données de qualité.

Les pays en développement, où la prévalence des MICI augmente, ont l’opportunité de constituer des bases de données robustes. Celles-ci doivent être volumineuses, recueillies rapidement, intégrer des variables structurées ou non structurées, et combiner des informations longitudinales et transversales. L’intégration de biomarqueurs multi-omiques pourrait renforcer la puissance prédictive des modèles.

Considérations Éthiques

Les enjeux éthiques sont majeurs dans l’application de l’IA en santé. La précision des modèles d’IA dans les études sur les MICI varie de 72 % à 96 %, et les erreurs de diagnostic ou de classification sont inévitables. Cela affecte les décisions cliniques et les résultats des patients, soulevant des questions de bienfaisance, de préférence et de consentement éclairé. Les biais (minorités, étiquetage, agence, méfiance) peuvent compromettre l’équité et la précision des algorithmes.

Les disparités génétiques entre populations, comme la rareté des mutations NOD2 chez les patients asiatiques atteints de MC, doivent être prises en compte. Garantir l’équité et corriger ces biais est essentiel pour une application éthique de l’IA.

Explicabilité et Validation

L’explicabilité des modèles d’IA, c’est-à-dire la compréhension de leur processus décisionnel, est cruciale pour leur acceptation clinique. Cependant, les modèles les plus puissants impliquent souvent des paramètres complexes, réduisant leur transparence. La validation externe est difficile en raison de leur caractère générique et du manque de transparence des calculs. En cas d’échec d’un modèle, il est difficile d’en identifier les causes. Les professionnels de santé doivent donc être informés des limites des systèmes d’IA qu’ils utilisent.

Collaboration et Perspectives Futures

Le développement de l’IA dans les MICI nécessite une collaboration entre cliniciens, statisticiens et bioinformaticiens. Les statisticiens doivent être impliqués dès la conception des études, en particulier dans les essais multicentriques de grande envergure. Leur expertise est cruciale pour la collecte, l’analyse et l’interprétation des données.

Des études prospectives randomisées, avec de larges échantillons et des bases de données de qualité, sont nécessaires pour évaluer l’efficacité et la sécurité des traitements assistés par l’IA. La résolution des enjeux éthiques et la collaboration interdisciplinaire seront clés pour intégrer avec succès l’IA dans la prise en charge des MICI.

Conclusion

L’intelligence artificielle a le potentiel de révolutionner la gestion des MICI en améliorant le diagnostic, l’évaluation et les résultats thérapeutiques. Les modèles de machine learning montrent des résultats prometteurs pour différencier les sous-types de MICI, optimiser l’évaluation endoscopique et prédire les résultats thérapeutiques et chirurgicaux. Cependant, les défis liés à la qualité des données, aux considérations éthiques, à l’explicabilité et à la validation des modèles doivent être surmontés. Une collaboration interdisciplinaire et le développement de bases de données de haute qualité seront essentiels pour concrétiser pleinement le potentiel de l’IA dans les soins des MICI.

doi.org/10.1097/CM9.0000000000000714