L’intelligence artificielle en rythmologie cardiaque

Aujourd’hui, le plus souvent, il ne s’agit que de la simple algorithmie procédurale reposant sur des analyses de grand nombre de données, big data. L’IA développée actuellement est dite « faible » : il s’agit de machines (terme employé à dessein) dont le fonctionnement repose sur des « réseaux de neurones » (in silico et non pas in vivo !) réalisant des learning-machines reposant très schématiquement sur trois principes : – l’apprentissage par renforcement comme la reconnaissance d’images : un expert humain va classifier ainsi les images puis corriger pas à pas toutes ses erreurs de classement pour la rendre de plus en plus performante ; – l’apprentissage de règles, par exemple celles d’un jeu, puis le système va faire tout seul des milliards de parties contre lui-même pour reconnaître toutes les situations possibles — ce sont les fameux exemples des échecs ou du jeu de Go : deep-learning ; – l’utilisation du big data qui, à partir de très grand nombre de données, propose des règles reposant sur des corrélations sans causalité, mais permettant d’anticiper soit des événements (météo, épidémies) soit des comportements (commerce) : data-mining. La machine reconnaît, classe et agit bien plus vite que l’esprit humain, mais elle n’a aucune conscience de ce qu’elle fait. La parabole de la chambre chinoise(3) en est un parfait exemple. Non seulement, elle ne comprend pas ce qu’elle fait, mais souvent même les concepteurs ne peuvent pas en expliquer la raison des erreurs. Surtout, elle n’intègre pas le résultat dans le contexte, comme peut le faire un cerveau humain capable de pondérer une décision ou un diagnostic par l’analyse « intuitive » de tous les éléments contingents en utilisant sa connaissance résidante (Pierre Giorgini), fruit de toutes ses expériences et de ses connaissances. Cet arbitrage plus ou moins inconscient tient compte de ses préférences philosophiques, culturelles, ou éthiques et peut en revanche, contrairement aux IA, alimenter des biais cognitifs délétères(4). En médecine — et en cardiologie en particulier — des applications utilisant de l’IA apportent une aide significative aux diagnostics. En voici quelques exemples concrets français sans prétendre être exhaustif : – reconnaissance par apprentissage d’images ; – imagerie en radiologie, anatomopathologie, dermatologie ou ophtalmologie ; – cardiologie : ECG et holters longue durée Cardiologs®, @Heealth, Implicity ; – neurologie BioSerenity ; – traitement du langage naturel : chatbots ; – aide à la décision : DeepMind de Google ou Watson d’IBM… ; – suivi des patients porteurs de dispositifs connectés Implicity ; – robotique et électrophysiologie Volta® ; – stratifications des risques — médecine personnalisée — prédiction des parcours ; – biogénétique, solutionnisme(5). « Si nous nous y prenons bien, je pense que nous pouvons réparer tous les problèmes de monde » Éric Schmidt 2012 (sic !). La radiologie et la génétique sont sans conteste les domaines les plus avancés, à tel point qu’il a été avancé que nous n’aurions plus besoin de radiologues ! Une machine ne sait faire aujourd’hui qu’une seule chose, elle est donc incapable d’intégrer un patient dans l’ensemble de ses pathologies. Ceci a permis de retourner la boutade : « Bientôt, il n’y aura plus de radiologues qui n’utilisent pas l’IA ». La rythmologie par son analogie phonétique devrait être un terrain de prédilection pour l’IA et l’algorithmie. Mais avant même l’analyse du rythme se pose le problème du recueil du signal et de sa transmission, puis celui de son intégration dans un format appropriable par le programme pour traiter et interpréter les données. La qualité du signal reconnu (smart data) est déjà en soit un challenge. Que vaut l’analyse par IA d’un enregistrement ECG longue durée si plus de la moitié du temps il n’est pas interprétable ? Aujourd’hui, il existe d’assez nombreux dispositifs connectés qui permettent un recueil de qualité, que ce soit sur une seule dérivation comme des montres (Apple Watch, ScanWatch Withings, Samsung) ou d’autres DM connectés (Kardia AliveCor, WitMonki), ou sur plusieurs dérivations (tee-shirts connectés @Heealth ou BioSerenity). La transmission du signal ou des datas du DM connecté à l’hébergeur de données ne pose plus que des problèmes réglementaires au nom du respect de la confidentialité. Mais la récente décision de la Cour européenne de justice qui, le 16 juillet dernier(6), a rejeté le « Privacy Shield » américain risque de poser de sérieux problèmes aux industriels multinationaux. Ce n’est qu’à ce niveau final de la chaîne de transmission que l’IA va intervenir pour interpréter un ECG (Cardiologs), faire de l’analyse événementielle (@Heealth, BioSerenity, WitMonki) ou analyser des enregistrements ECG longue durée externe (Cardiologs), ou de dispositifs implantés (Implicity). Jusqu’à présent, la plupart des études ont été consacrées au dépistage de la fibrillation auriculaire du fait du poids des pathologiques emboliques cérébrales. D’assez nombreuses études ont été faites, publiées ou en cours de publication. Certaines solutions sont commercialisées après avoir reçu le marquage CE. Il en est ainsi en France pour les solutions d’interprétation des enregistrements externes longue durée – Cardiologs par Microport™ Sorin ou à partir de dispositifs implantables (Medtronic, Abbott ou Biotronik) par la solution d’IA Implicity. L’IA de cette dernière solution intègre aussi les données cliniques du patient ce qui permet de contextualiser les alertes par exemple en fonction de l’existence ou non d’un traitement anticoagulant efficace. Bien sûr, les autres dysrythmies font également partie de projets de recherche. Crise de la Covid-19 et hydroxychloroquine oblige, l’analyse de la repolarisation et du QT a fait l’objet d’études spécifiques à partir de la ScanWatch Withings ou de l’Apple Watch. D’autres situations font également l’objet de développement. Il en est ainsi de l’analyse en temps réel des signaux électrophysiologiques per interventionnel (Volta Medical). Des programmes de recherche s’attachent, grâce à l’IA, à prédire ou à stratifier les risques de survenue d’événements cliniques, par exemple une (ré)hospitalisation en cas d’insuffisance cardiaque aux USA(7) comme en France à l’école des Mines Saint-Étienne (Vincent Augusto)(8). En juin dernier, l’étude Hydro (Arnaud Rosier) dont l’objet est de prédire les poussées d’insuffisance cardiaque des patients porteurs de pacemakers, a été co-lauréate du premier appel d’offres du Health Data Hub(9). Aucun de ces dispositifs ni aucune de ces solutions complètes ne sont prises en charge par l’Assurance maladie, la Haute Autorité de santé, n’a validé en effet que le 9 septembre dernier un guide de dépôt des dossiers d’évaluation des dispositifs médicaux embarquant de l’IA(10). Quel avenir pour l’IA en cardiologie ? En espérant que cette technologie ne rentrera pas dans sa troisième hibernation(11), cette technologie devrait être promue à un bel avenir si l’on tient compte à la fois de capacité de stockage quasi sans limites des serveurs, de la rapidité de plus en plus faramineuse des processeurs et de la capacité de communication toujours accélérée. Il est légitime de penser que la prochaine génération de cardiologues sera formée à utiliser en routine tous ces outils d’aide au diagnostic ou d’aide à la décision reposant sur l’IA, libérant ainsi du temps d’interprétation fastidieuse pour mieux s’occuper des patients. Conclusion nécessairement très temporaire À n’en pas douter la place des solutions digitales embarquant de l’IA ne cessera d’augmenter. Une question est posée de manière récurrente : « Seront-elles capables de remplacer les médecins ou ne seront-ce que des outils d’aides au diagnostic ou à la décision ? » Manifestement, toutes ces solutions sont pour le moment très ponctuelles, capables de réaliser dans de nombreux cas des analyses plus rapides et plus reproductibles que celles du médecin, mais incapables d’intégrer les multiples facteurs qui fondent une décision médicale dont les préférences du patient et l’expérience de l’opérateur sont deux des trois piliers de la description princeps de l’evidence based médecine(12). Le troisième étant bien sûr la connaissance : domaine roi de la machine learning… Mais encore faut-il qu’elle soit convenablement et rapidement alimentée, car le rythme des publications scientifiques est toujours en décalage avec les pratiques des centres experts. C’est d’ailleurs lun des problèmes majeurs du fameux Watson. Une dernière question parmi mille interrogations : sauront-elles faire preuve d’intuition capable d’imaginer une théorie nouvelle non paramétrée par les programmeurs : par exemple, auraient-elles été capables d’imaginer le concept génial de Philippe Coumel dans les années 1970 de tachycardies par réentrée ? Un expert interrogé nous a répondu : « Aujourd’hui, sûrement pas. Mais demain, si on arrive à coupler une IA d’interprétation rythmologique avec une IA d’exploration électrophysiologique, pourquoi pas ! »