{"id":371445,"date":"2023-12-11T00:01:00","date_gmt":"2023-12-10T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/?p=371445"},"modified":"2023-12-06T14:16:33","modified_gmt":"2023-12-06T13:16:33","slug":"opportunites-et-risques-de-lia-2","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/fr\/opportunites-et-risques-de-lia-2\/","title":{"rendered":"Opportunit\u00e9s et risques de l’IA"},"content":{"rendered":"\n

Le terme d’intelligence artificielle date des ann\u00e9es 50 du si\u00e8cle dernier. Le terme “intelligence humaine” d\u00e9signe un ensemble de technologies permettant \u00e0 un ordinateur d’\u00e9muler des caract\u00e9ristiques typiques de l’intelligence humaine au cours du XXe si\u00e8cle. Au d\u00e9part, de grands espoirs ont \u00e9t\u00e9 plac\u00e9s dans ces technologies et des tentatives ont \u00e9t\u00e9 faites tr\u00e8s t\u00f4t pour les introduire dans la m\u00e9decine. Au d\u00e9but du 21e si\u00e8cle, la recherche sur l’IA en m\u00e9decine a \u00e9t\u00e9 plut\u00f4t silencieuse en raison de r\u00e9sultats initialement d\u00e9cevants. Plusieurs d\u00e9veloppements importants ont toutefois ouvert la voie \u00e0 la perc\u00e9e de cette technologie.<\/strong><\/p>\n\n\n\n

Le terme d’intelligence artificielle date des ann\u00e9es 50 du XXe si\u00e8cle et d\u00e9signe un ensemble de technologies permettant \u00e0 un ordinateur d’\u00e9muler des caract\u00e9ristiques typiques de l’intelligence humaine [1]. Au d\u00e9part, de grands espoirs ont \u00e9t\u00e9 plac\u00e9s dans ces technologies et des tentatives ont \u00e9t\u00e9 faites tr\u00e8s t\u00f4t pour les introduire dans la m\u00e9decine. Des exemples datant des ann\u00e9es 1970 sont les programmes d’identification des bact\u00e9ries dans les maladies infectieuses [2] ou de pronostic des maladies coronariennes [3]. Une certaine d\u00e9sillusion est apparue dans les ann\u00e9es 1990 : un \u00e9ditorial [4] du c\u00e9l\u00e8bre New England Journal of Medicine<\/em> a attribu\u00e9 la note “C” aux programmes de diagnostic assist\u00e9 par ordinateur disponibles \u00e0 l’\u00e9poque, ce qui correspond approximativement \u00e0 un “3” dans le syst\u00e8me de notation suisse. Ces programmes produisaient un diagnostic erron\u00e9 dans 30 \u00e0 50 % des cas, ce qui rendait difficile leur utilisation et leur acceptation en clinique. Au d\u00e9but du 21e si\u00e8cle, la recherche sur l’intelligence artificielle en m\u00e9decine \u00e9tait plut\u00f4t silencieuse en raison des r\u00e9sultats initiaux d\u00e9cevants. Plusieurs d\u00e9veloppements importants ont toutefois ouvert la voie \u00e0 la perc\u00e9e de cette technologie. <\/p>\n\n

Apprentissage profond<\/h3>\n\n

D’une part, l’utilisation du dossier m\u00e9dical \u00e9lectronique a connu une expansion constante. Les ordinateurs ont ainsi pu acc\u00e9der \u00e0 de grands ensembles de donn\u00e9es m\u00e9dicales. La multitude de donn\u00e9es a permis de cr\u00e9er et de d\u00e9velopper une nouvelle g\u00e9n\u00e9ration de programmes d’intelligence artificielle. Ces programmes ont \u00e9t\u00e9 d\u00e9velopp\u00e9s dans les ann\u00e9es 2010 et sont aujourd’hui regroup\u00e9s sous le terme de deep learning <\/em>. On entend par l\u00e0 des algorithmes bas\u00e9s sur des r\u00e9seaux neuronaux artificiels, capables de reconna\u00eetre avec une grande pr\u00e9cision des mod\u00e8les dans de grandes quantit\u00e9s de donn\u00e9es. De mani\u00e8re remarquable – et d’une grande importance pour la m\u00e9decine – ces programmes ont une capacit\u00e9 exceptionnelle \u00e0 reconna\u00eetre les structures dans les images [5]. Une comparaison directe avec des observateurs humains a montr\u00e9 que les ordinateurs sont bien plus performants dans la reconnaissance de motifs dans les images et qu’ils sont en dessous du taux d’erreur humain de 5% [6]. En 2017, un groupe de recherche de l’universit\u00e9 de Stanford en Californie a appliqu\u00e9 la technologie d’apprentissage profond <\/em>au domaine de la dermatologie. Un travail r\u00e9volutionnaire a montr\u00e9 que les ordinateurs font jeu \u00e9gal avec les dermatologues dans la d\u00e9tection des l\u00e9sions cutan\u00e9es malignes [6]. Depuis cette publication, de nouveaux travaux rapportant des r\u00e9sultats similaires dans diff\u00e9rentes disciplines diagnostiques (par exemple en pathologie ou en radiologie [7\u201310]) se sont multipli\u00e9s. Parall\u00e8lement \u00e0 la reconnaissance d’images – et avec une importance \u00e9galement consid\u00e9rable pour la m\u00e9decine – la technologie d’apprentissage en profondeur<\/em>a \u00e9galement conduit ces derni\u00e8res ann\u00e9es \u00e0 des perc\u00e9es dans la reconnaissance vocale [11]. Cela permet aux ordinateurs de comprendre et d’analyser de plus en plus les donn\u00e9es m\u00e9dicales r\u00e9dig\u00e9es en langage naturel (rapports de sortie, rapports de diagnostic, etc.), voire de r\u00e9diger eux-m\u00eames des textes [12]. En r\u00e9sum\u00e9, on peut dire ce qui suit : Gr\u00e2ce au dossier m\u00e9dical \u00e9lectronique, l’ordinateur a un acc\u00e8s plus large aux donn\u00e9es m\u00e9dicales, qui sont encore principalement sous forme non structur\u00e9e (images ou texte). Une technologie (deep learning) peut traiter efficacement ces donn\u00e9es non structur\u00e9es et devient ainsi capable d’\u00e9muler de plus en plus les activit\u00e9s m\u00e9dicales (diagnostic, d\u00e9cision th\u00e9rapeutique ou r\u00e9daction d’un rapport de sortie). <\/p>\n\n

La question de savoir dans quelle mesure et dans quel d\u00e9lai ces nouvelles technologies influenceront la m\u00e9decine reste ouverte. Dans la section suivante, nous allons nous pencher sur ces questions et accorder une attention particuli\u00e8re aux opportunit\u00e9s et aux risques de l’intelligence artificielle dans la pratique m\u00e9dicale quotidienne (tableau 1).<\/strong><\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Utilisation de l’IA dans le quotidien clinique : concurrence pour le m\u00e9decin ?<\/h3>\n\n

Il existe actuellement un int\u00e9r\u00eat croissant pour l’utilisation de l’intelligence artificielle (IA) afin de compl\u00e9ter, d’am\u00e9liorer ou m\u00eame de remplacer l’intelligence diagnostique du m\u00e9decin. Les partisans de l’IA s’attendent \u00e0 ce que de telles technologies puissent am\u00e9liorer non seulement l’efficacit\u00e9 du diagnostic, mais aussi la pr\u00e9cision du diagnostic (avec moins de sous-diagnostics et de sur-diagnostics) . <\/p>\n\n

D’autres ont cependant fait valoir que cela cr\u00e9erait une charge d’informations suppl\u00e9mentaire pendant une consultation d\u00e9j\u00e0 surcharg\u00e9e. Il pourrait tr\u00e8s peu contribuer \u00e0 am\u00e9liorer les r\u00e9sultats des patients, le niveau de stress du m\u00e9decin ou la situation financi\u00e8re du syst\u00e8me de sant\u00e9. Ces arguments se basent parfois sur l’exp\u00e9rience de syst\u00e8mes existants qui aident les m\u00e9decins dans des activit\u00e9s telles que la d\u00e9tection d’interactions m\u00e9dicamenteuses et qui ne sont souvent pas convaincants en raison de fausses alertes ou d’interventions non pertinentes . <\/p>\n\n

Mais avec une nouvelle g\u00e9n\u00e9ration de syst\u00e8mes d’IA, on peut s’attendre \u00e0 ce qu’ils s’\u00e9tablissent \u00e0 plus long terme dans la pratique clinique quotidienne. La raison principale est la capacit\u00e9 de ces syst\u00e8mes \u00e0 \u00e9tudier un nombre illimit\u00e9 de cas et donc \u00e0 perfectionner un algorithme de diagnostic. Un radiologue, par exemple, a acc\u00e8s, au cours de sa formation et de son activit\u00e9 professionnelle, \u00e0 un nombre important mais limit\u00e9 d’images radiologiques dont il peut avoir besoin pour affiner ses comp\u00e9tences en mati\u00e8re de diagnostic. En revanche, les ordinateurs ont acc\u00e8s \u00e0 potentiellement toutes les images radiologiques jamais acquises dans un ou plusieurs h\u00f4pitaux. L’ordinateur peut donc s’appuyer sur les images radiologiques et les r\u00e9sultats de centaines de radiologues et peut ainsi \u00e9muler efficacement, bien qu’indirectement, leurs connaissances collectives. Un radiologue isol\u00e9 est donc d\u00e9savantag\u00e9 par rapport \u00e0 un ordinateur. <\/p>\n\n

Ces nouvelles g\u00e9n\u00e9rations de syst\u00e8mes d’IA ne doivent pas n\u00e9cessairement op\u00e9rer de mani\u00e8re autonome (sans supervision m\u00e9dicale), comme c’est d\u00e9j\u00e0 le cas en ophtalmologie pour le diagnostic de la r\u00e9tinopathie diab\u00e9tique [9]. L’IA va plut\u00f4t soutenir l’activit\u00e9 m\u00e9dicale, par exemple dans le cas de syst\u00e8mes d’IA radiologiques qui hi\u00e9rarchisent en arri\u00e8re-plan les images radiologiques qui doivent encore \u00eatre examin\u00e9es en fonction de leur degr\u00e9 de gravit\u00e9 ou dans le cas de syst\u00e8mes d’assistance<\/em> bas\u00e9s sur l’IA qui attirent l’attention du radiologue sur une fracture dans l’image radiologique et dont il a \u00e9t\u00e9 d\u00e9montr\u00e9 qu’ils augmentent la pr\u00e9cision du diagnostic [17]. On ne sait pas encore \u00e0 ce stade si les sp\u00e9cialistes accepteront et utiliseront cette aide de l’IA. En tout \u00e9tat de cause, l’IA permettra aux non-sp\u00e9cialistes, aux m\u00e9decins g\u00e9n\u00e9ralistes, aux m\u00e9decins en formation et aux autres professionnels de la sant\u00e9 de r\u00e9aliser eux-m\u00eames des examens diagnostiques complexes. <\/p>\n\n

Il convient toutefois de noter ici qu’un syst\u00e8me d’IA ne pourra jamais remplacer compl\u00e8tement le m\u00e9decin, car le syst\u00e8me manque pour l’instant d’empathie et de compassion pour le patient. Un m\u00e9decin doit comprendre le contexte du patient et prendre en compte les circonstances sociales et psychologiques avec empathie, soin et compassion. Une connaissance explicite de la valeur pr\u00e9dictive des sympt\u00f4mes peut \u00eatre enseign\u00e9e \u00e0 un syst\u00e8me d’IA, mais il est peu probable qu’il apprenne \u00e0 gagner la confiance d’une personne \u00e0 ce stade. <\/p>\n\n

Am\u00e9lioration de la qualit\u00e9 de la m\u00e9decine<\/h3>\n\n

Toutefois, bien utilis\u00e9s, les syst\u00e8mes d’IA pourraient permettre d’am\u00e9liorer la qualit\u00e9 des soins m\u00e9dicaux. Les syst\u00e8mes d’IA ne se fatiguent pas et garantissent une performance de diagnostic constante, quel que soit le moment de la journ\u00e9e ou le volume du patient. L’IA peut surveiller les processus m\u00e9dicaux en arri\u00e8re-plan et prendre des mesures correctives. De mani\u00e8re optimiste, l’IA pourrait permettre de gagner un temps consid\u00e9rable et d’am\u00e9liorer ainsi la qualit\u00e9 de la relation patient-m\u00e9decin. Concr\u00e8tement, les m\u00e9decins pourraient confier les examens de routine \u00e0 l’IA et se consacrer davantage \u00e0 l’entretien avec le patient. Un exemple tir\u00e9 de la pratique des m\u00e9decins g\u00e9n\u00e9ralistes serait de conseiller un patient atteint de diab\u00e8te sucr\u00e9 de type 2. Les m\u00e9decins g\u00e9n\u00e9ralistes passent beaucoup de temps \u00e0 collecter des informations provenant de diff\u00e9rentes sources, par exemple en lisant les rapports de sortie des patients ambulatoires ou hospitalis\u00e9s, en analysant les analyses sanguines des derniers mois et en consultant les directives cliniques. En revanche, les syst\u00e8mes d’assistance IA peuvent pr\u00e9parer automatiquement les \u00e9l\u00e9ments les plus importants et indiquer les risques et les mesures \u00e0 prendre en fonction du profil de risque individuel du patient. Ainsi, les syst\u00e8mes d’IA peuvent \u00e9galement jouer un r\u00f4le important dans la pr\u00e9vention. Ces syst\u00e8mes pourraient proposer des consultations de mani\u00e8re proactive lorsqu’ils constatent que le risque d’un patient atteint de diab\u00e8te sucr\u00e9 de type 2 de d\u00e9velopper une complication diab\u00e9tique sp\u00e9cifique est plus \u00e9lev\u00e9 et justifie une intervention. <\/p>\n\n

L’IA dans la pratique quotidienne <\/h3>\n\n

Les syst\u00e8mes bas\u00e9s sur l’IA apportent \u00e9galement une expertise diagnostique de soutien aux soins primaires. Une image d’une l\u00e9sion cutan\u00e9e suffit pour diagnostiquer son \u00e9tiologie au moyen d’un syst\u00e8me d’IA. Les images pourraient \u00eatre captur\u00e9es dans un cabinet de m\u00e9decin g\u00e9n\u00e9raliste et envoy\u00e9es \u00e0 un syst\u00e8me d’IA sp\u00e9cialis\u00e9 en dermatologie pour une analyse en temps r\u00e9el [6]. Les patients \u00e0 faible risque obtiendraient une certitude imm\u00e9diate, tandis que les patients pr\u00e9sentant un risque \u00e9lev\u00e9 de m\u00e9lanome pourraient \u00eatre orient\u00e9s imm\u00e9diatement vers un dermatologue sans avoir \u00e0 attendre longtemps, car les sp\u00e9cialistes ne voient que des cas s\u00e9lectionn\u00e9s. Ce concept ne se limite pas au domaine de la dermatologie, mais s’applique \u00e9galement \u00e0 l’interpr\u00e9tation de nombreuses autres donn\u00e9es complexes sur les patients, par exemple les scanners r\u00e9tiniens, les radiographies ou les \u00e9chographies. Nombre de ces images pourront bient\u00f4t \u00eatre collect\u00e9es et analys\u00e9es \u00e0 l’aide d’appareils relativement peu co\u00fbteux et de l’IA. Un bon exemple est une nouvelle g\u00e9n\u00e9ration de petits appareils \u00e0 ultrasons qui se connectent directement au smartphone et peuvent analyser diff\u00e9rents syst\u00e8mes d’organes via l’IA . <\/p>\n\n

D’autres applications sont \u00e9galement pertinentes. Par exemple, de nouvelles approches pour la d\u00e9tection d’interactions m\u00e9dicamenteuses bas\u00e9es sur des algorithmes d’apprentissage profond<\/em> montrent un potentiel. La polypharmacie est un probl\u00e8me croissant en m\u00e9decine, avec un risque \u00e9lev\u00e9 d’interactions m\u00e9dicamenteuses ind\u00e9sirables. Les syst\u00e8mes d’IA qui assistent le m\u00e9decin peuvent jouer un r\u00f4le important dans la d\u00e9tection, mais aussi dans la pr\u00e9vention (fig. 1) . <\/p>\n

\n
\"\"<\/a><\/figure>\n<\/div>\n

Cependant, l’un des obstacles \u00e0 la mise en \u0153uvre s\u00fbre et \u00e0 grande \u00e9chelle des syst\u00e8mes d’IA dans les cabinets de m\u00e9decine g\u00e9n\u00e9rale et dans de nombreux autres domaines de la m\u00e9decine est la saisie souvent insuffisante des donn\u00e9es. Dans le secteur de la sant\u00e9, le processus est rarement automatis\u00e9 et d\u00e9pend souvent des m\u00e9decins qui n’ont pas le temps de saisir les donn\u00e9es. Sans donn\u00e9es correctes et \u00e0 jour, les syst\u00e8mes d’IA n’ont pas les informations n\u00e9cessaires pour g\u00e9n\u00e9rer un algorithme fonctionnel pour une prise de d\u00e9cision correcte [19]. De nombreux efforts sont encore n\u00e9cessaires pour am\u00e9liorer les donn\u00e9es en cons\u00e9quence.<\/p>\n\n

Bo\u00eete noire de la nature et biais syst\u00e9matique de l’IA<\/h3>\n\n

Le d\u00e9veloppement des algorithmes d’apprentissage profond<\/em>donne \u00e0 l’ordinateur la possibilit\u00e9 d’explorer des associations de plus en plus complexes. Les algorithmes d’apprentissage profond<\/em>s’appuient sur l’id\u00e9e d’un cerveau “informatis\u00e9”. Cependant, les processus neuraux qui se d\u00e9roulent dans le syst\u00e8me ne sont pas toujours compr\u00e9hensibles pour l’homme (l’IA est une “bo\u00eete noire”). Cela rend l’interpr\u00e9tation des r\u00e9sultats plus difficile. Cela peut \u00e0 son tour conduire \u00e0 une r\u00e9duction de la confiance envers le syst\u00e8me et donc rendre l’int\u00e9gration dans la pratique clinique plus difficile [19]. De m\u00eame, un syst\u00e8me d’IA n’est bon que dans la mesure o\u00f9 les donn\u00e9es qui lui sont fournies le sont. Si les donn\u00e9es sont erron\u00e9es ou fauss\u00e9es, elles peuvent contenir des biais syst\u00e9matiques. Le risque d’erreur syst\u00e9matique du syst\u00e8me d’IA est donc plus important. Par exemple, les patients dont le statut socio-\u00e9conomique est faible peuvent recevoir moins de tests de diagnostic et de m\u00e9dicaments pour les maladies chroniques et avoir un acc\u00e8s limit\u00e9 aux soins de sant\u00e9. Un syst\u00e8me d’IA ne dispose donc que d’un nombre limit\u00e9 d’informations sur cette population de patients et proposera peut-\u00eatre une intervention n\u00e9cessaire plus tard que pour les patients qui consultent r\u00e9guli\u00e8rement leur m\u00e9decin . <\/p>\n\n

D’un autre c\u00f4t\u00e9, les professionnels de la sant\u00e9 ne sont pas \u00e0 l’abri des biais. La prise de d\u00e9cision clinique d\u00e9pend souvent en partie d’une s\u00e9rie de “r\u00e8gles empiriques” et d’algorithmes. Sheringham et al. [21] ont par exemple montr\u00e9 que les m\u00e9decins g\u00e9n\u00e9ralistes britanniques n’examinaient pas plus t\u00f4t les patients pr\u00e9sentant des sympt\u00f4mes \u00e0 haut risque de cancer que ceux pr\u00e9sentant des sympt\u00f4mes \u00e0 faible risque. De plus, il a \u00e9t\u00e9 d\u00e9montr\u00e9 que les patients pr\u00e9sentant les m\u00eames sympt\u00f4mes sont trait\u00e9s ou \u00e9valu\u00e9s diff\u00e9remment [21]. <\/p>\n\n

Un syst\u00e8me d’IA peut potentiellement synth\u00e9tiser et interpr\u00e9ter objectivement toutes les donn\u00e9es disponibles dans le dossier m\u00e9dical \u00e9lectronique, ce qui est impossible pour le m\u00e9decin en raison de la vaste quantit\u00e9 de donn\u00e9es. L’interaction m\u00e9decin\/IA est synergique et offre la possibilit\u00e9 de d\u00e9samorcer un biais et d’obtenir de meilleurs soins pour les patients. <\/p>\n\n

Open Data – Impact sur l’IA, la confidentialit\u00e9 et la s\u00e9curit\u00e9 <\/h3>\n\n

L’open data est une tendance \u00e0 laquelle on accorde de plus en plus d’importance, y compris dans le domaine des soins de sant\u00e9. L’un des grands avantages de l’open data est que les donn\u00e9es issues d’essais cliniques et d’autres sources peuvent \u00eatre utilis\u00e9es, r\u00e9analys\u00e9es, partag\u00e9es et combin\u00e9es avec d’autres donn\u00e9es. L’open data facilite la collaboration scientifique, enrichit la recherche, am\u00e9liore la capacit\u00e9 d’analyse pour la prise de d\u00e9cision et assure des progr\u00e8s beaucoup plus rapides en m\u00e9decine. Par exemple, MIMIC-IV est un ensemble de donn\u00e9es qui contient des donn\u00e9es de sant\u00e9 non identifiables sur plus de 60 000 patients en soins intensifs au Beth Israel Deaconess Medical Centre de 2008 \u00e0 2019 et qui est accessible au public [22]. <\/p>\n\n

L’open data donne des ailes \u00e0 l’IA, qui d\u00e9pend de tr\u00e8s grands ensembles de donn\u00e9es sur les patients. Cet aspect conduira in\u00e9vitablement, au moins au niveau des donn\u00e9es, \u00e0 une convergence des syst\u00e8mes de sant\u00e9, afin que le r\u00e9seau d’h\u00f4pitaux rassemble suffisamment de donn\u00e9es pour l’IA. Cette “transparence des donn\u00e9es” pourrait avoir d’autres effets positifs \u00e0 long terme, comme un meilleur contr\u00f4le des co\u00fbts des soins de sant\u00e9. <\/p>\n\n

La d\u00e9pendance aux donn\u00e9es a aussi son revers de la m\u00e9daille. Les donn\u00e9es m\u00e9dicales contiennent des informations tr\u00e8s sensibles qui doivent \u00eatre prot\u00e9g\u00e9es pour des raisons de confidentialit\u00e9 et qui, \u00e0 premi\u00e8re vue, constituent une barri\u00e8re importante \u00e0 l’open data. Ainsi, l’utilisation de donn\u00e9es ouvertes n\u00e9cessite un \u00e9quilibre minutieux entre le libre acc\u00e8s et la vie priv\u00e9e des patients. Pour relever ces d\u00e9fis en mati\u00e8re de s\u00e9curit\u00e9 et de protection des donn\u00e9es, une grande importance doit \u00eatre accord\u00e9e aux garanties juridiques (“Data Use Agreements”), aux algorithmes de cryptage avanc\u00e9s et \u00e0 la pseudo-anonymisation des donn\u00e9es personnelles. Les syst\u00e8mes d’IA en g\u00e9n\u00e9ral devraient garantir la protection et la s\u00e9curit\u00e9 des donn\u00e9es et mettre en place de bonnes normes de gouvernance [23].<\/p>\n\n

Conclusion <\/h3>\n\n

L’utilisation de syst\u00e8mes d’IA dans la pratique m\u00e9dicale pour am\u00e9liorer l’efficacit\u00e9 des diagnostics et des traitements n\u00e9cessite l’acceptation et le soutien des m\u00e9decins. Avant de l’utiliser, il faut s’assurer que l’association IA-m\u00e9decin apporte un avantage aux soins des patients, notamment en r\u00e9duisant la charge de travail des m\u00e9decins et sans cr\u00e9er d’incertitude pour les patients. Ce qu’il faut, c’est donc une recherche sur l’IA qui examine de mani\u00e8re holistique et syst\u00e9matique les cons\u00e9quences pour la pratique clinique quotidienne.<\/p>\n\n

Messages Take-Home<\/strong><\/p>\n\n

    \n
  • L’intelligence artificielle est un domaine en pleine expansion qui aura un impact majeur sur la m\u00e9decine de demain. <\/li>\n\n\n\n
  • Une compr\u00e9hension fondamentale de l’intelligence artificielle est essentielle pour une mise en \u0153uvre correcte dans la pratique clinique.<\/li>\n\n\n\n
  • Le soutien de l’activit\u00e9 m\u00e9dicale par l’intelligence artificielle conduit \u00e0 une am\u00e9lioration potentielle de la qualit\u00e9 et \u00e0 un all\u00e8gement du temps.<\/li>\n\n\n\n
  • L’intelligence artificielle n’est pas infaillible. De nouveaux syst\u00e8mes prometteurs font l’objet de recherches en cours, mais n’ont pas encore \u00e9t\u00e9 adopt\u00e9s par le grand public.l’application clinique.<\/li>\n<\/ul>\n\n

    <\/p>\n\n

    Remerciements<\/strong><\/em>Nous remercions le Dr. med. Lukas Bachmann pour sa relecture constructive de l’article.<\/em><\/p>\n\n

    Litt\u00e9rature :<\/p>\n\n

      \n
    1. McCarthy J, Minsky ML, Rochester N, Shannon CE : A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine 1955 ; 27(4) : 12.<\/li>\n\n\n\n
    2. Shortliffe EH, Buchanan BG : Un mod\u00e8le de raisonnement inexact en m\u00e9decine. Mathematical Biosciences 1975 ; 23(3) : 351-379.<\/li>\n\n\n\n
    3. Rosati RA, McNeer JF, Starmer CF, et al : A new information system for medical practice. Arch Intern Med 1975 ; 135(8) : 1017-1024.<\/li>\n\n\n\n
    4. Kassirer JP : A report card on computer-assisted diagnosis-the grade : C. N Engl J Med 1994 ; 330(25) : 1824-1825.<\/li>\n\n\n\n
    5. Langlotz CP, Allen B, Erickson BJ, et al : A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging : From the 2018 NIH\/RSNA\/ACR\/The Academy Workshop. Radiology 2019 ; 291(3) : 781-791.<\/li>\n\n\n\n
    6. Esteva A, Kuprel B, Novoa RA, et al : Classification de niveau dermatologique des cancers de la peau avec des r\u00e9seaux de neurones profonds. Nature 2017 ; 542(7639) : 115-118.<\/li>\n\n\n\n
    7. Kooi T, Litjens G, van Ginneken B, et al : Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal 2017 ; 35 : 303-312.<\/li>\n\n\n\n
    8. Gulshan V, Peng L, Coram M, et al : D\u00e9veloppement et validation d’un algorithme d’apprentissage profond pour la d\u00e9tection de la r\u00e9tinopathie diab\u00e9tique dans les photographies du fond d’\u0153il. JAMA 2016 ; 316(22) : 2402-2410.<\/li>\n\n\n\n
    9. De Fauw J, Ledsam JR, Romera-Paredes B, et al : Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 2018 ; 24(9) : 1342-1350.<\/li>\n\n\n\n
    10. van der Laak J, Litjens G, Ciompi F : Deep learning in histopathology : the path to the clinic. Nat Med 2021 ; 27(5) : 775-784.<\/li>\n\n\n\n
    11. Li Y, Rao S, Solares JRA et al : BEHRT : Transformer for Electronic Health Records. Sci Rep 2020 ; 10(1) : 7155.<\/li>\n\n\n\n
    12. Nooralahzadeh F, Gonzalez NP, Frauenfelder T, et al. : Progressive Transformer-Based Generation of Radiology Reports. arXiv preprint arXiv:210209777 ; 2021.<\/li>\n\n\n\n
    13. Summerton N, Cansdale M. : Intelligence artificielle et diagnostic en pratique g\u00e9n\u00e9rale. Br J Gen Pract 2019 ; 69(684) : 324-325.<\/li>\n\n\n\n
    14. Embi PJ, Leonard AC : Evaluating alert fatigue over time to EHR-based clinical trial alerts : findings from a randomized controlled study. J Am Med Inform Assoc 2012 ; 19(e1) : e145-148.<\/li>\n\n\n\n
    15. Schwarz K, Allam A, Gonzalez NAP, Krauthammer M : AttentionDDI : M\u00e9thode d’apprentissage profond bas\u00e9e sur l’attention siamoise pour les pr\u00e9dictions d’interaction m\u00e9dicament-m\u00e9dicament. ArXiv. 2020 ; abs\/2012.13248.<\/li>\n\n\n\n
    16. Moriarty F, Hardy C, Bennett K, et al : Trends and interaction of polypharmacy and potentially inappropriate prescribing in primary care over 15 years in Ireland : a repeated cross-sectional study. BMJ Open 2015 ; 5(9) : e008656.<\/li>\n\n\n\n
    17. Rainey C, McConnell J, Hughes C, et al : Artificial intelligence for diagnosis of fractures on plain radiographs : A scoping review of current literature. Intelligence-Based Medicine 2021 ; 5 : 100033.<\/li>\n\n\n\n
    18. Buonsenso D, Pata D, Chiaretti A : \u00c9pid\u00e9mie de COVID-19 : moins de st\u00e9thoscope, plus d’\u00e9chographie. Lancet Respir Med 2020 ; 8(5) : e27.<\/li>\n\n\n\n
    19. Liaw W, Kakadiaris IA. : Primary Care Artificial Intelligence : A Branch Hiding in Plain Sight. Ann Fam Med 2020 ; 18(3) : 194-195.<\/li>\n\n\n\n
    20. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. : Dissecting racial bias in an algorithm used to manage the health of populations. Science 2019 ; 366(6464) : 447-453.<\/li>\n\n\n\n
    21. Sheringham J, Sequeira R, Myles J, et al : Variations dans les d\u00e9cisions des GPs d’enqu\u00eater sur un cancer du poumon suspect\u00e9 : une exp\u00e9rience factorielle utilisant des vignettes multim\u00e9dia. BMJ Qual Saf 2017 ; 26(6) : 449-459.<\/li>\n\n\n\n
    22. Johnson ABL, Pollard T, Horng S, et al : MIMIC-IV (version 1.0). PhysioNet0 2021 ; doi : 10.13026\/s6n6-xd98.<\/li>\n\n\n\n
    23. Kobayashi S, Kane TB, Paton C : The Privacy and Security Implications of Open Data in Healthcare. Annuaire Med Inform 2018 ; 27(1) : 41-47.<\/li>\n<\/ol>\n\n

      InFo NEUROLOGIE & PSYCHIATRIE 2023 ; 21(6) : 6-10<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

      Le terme d’intelligence artificielle date des ann\u00e9es 50 du si\u00e8cle dernier. Le terme “intelligence humaine” d\u00e9signe un ensemble de technologies permettant \u00e0 un ordinateur d’\u00e9muler des caract\u00e9ristiques typiques de l’intelligence…<\/p>\n","protected":false},"author":7,"featured_media":371452,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"L'intelligence artificielle en m\u00e9decine","footnotes":""},"category":[11378,11362,22616,11315,11389,11477,11482,11492,11549],"tags":[18502,18504,14160,51161],"powerkit_post_featured":[],"class_list":["post-371445","post","type-post","status-publish","format-standard","has-post-thumbnail","category-cardiologie","category-dermatologie-et-venerologie","category-formation-continue-cme","category-medecine-interne-generale","category-oncologie","category-pneumologie-fr","category-prevention-et-soins-de-sante","category-radiologie-fr","category-rx-fr","tag-apprentissage-profond","tag-donnees-ouvertes","tag-intelligence-artificielle","tag-ki-fr","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-04-12 21:36:01","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"fr_FR","wpml_translations":{"it_IT":{"locale":"it_IT","id":371480,"slug":"opportunita-e-rischi-dellia-2","post_title":"Opportunit\u00e0 e rischi dell'IA","href":"https:\/\/medizinonline.com\/it\/opportunita-e-rischi-dellia-2\/"},"pt_PT":{"locale":"pt_PT","id":371485,"slug":"oportunidades-e-riscos-da-ia-2","post_title":"Oportunidades e riscos da IA","href":"https:\/\/medizinonline.com\/pt-pt\/oportunidades-e-riscos-da-ia-2\/"},"es_ES":{"locale":"es_ES","id":371438,"slug":"oportunidades-y-riesgos-de-la-ia-2","post_title":"Oportunidades y riesgos de la IA","href":"https:\/\/medizinonline.com\/es\/oportunidades-y-riesgos-de-la-ia-2\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/371445","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/comments?post=371445"}],"version-history":[{"count":1,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/371445\/revisions"}],"predecessor-version":[{"id":371453,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/posts\/371445\/revisions\/371453"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media\/371452"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/media?parent=371445"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/category?post=371445"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/tags?post=371445"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/fr\/wp-json\/wp\/v2\/powerkit_post_featured?post=371445"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}