L'IA pourrait rendre les soins de santé plus équitables en nous aidant à croire ce que disent les patients

Mme Tech

Au cours des dernières années, la recherche a montré que l'apprentissage en profondeur peut correspondre à des performances de niveau expert dans des tâches d'imagerie médicale telles que détection précoce du cancer et diagnostic des maladies oculaires . Mais il y a aussi lieu d'être prudent. D'autres recherches ont montré que l'apprentissage en profondeur a tendance à perpétuer la discrimination . Avec un système de santé déjà criblé de disparités, des applications bâclées de l'apprentissage en profondeur pourraient aggraver la situation.

À présent un nouveau papier publié dans Nature Medicine propose un moyen de développer des algorithmes médicaux qui pourraient aider à inverser, plutôt qu'à exacerber, les inégalités existantes. La clé, dit Ziad Obermeyer, professeur agrégé à l'UC Berkeley qui a supervisé la recherche, est d'arrêter les algorithmes de formation pour correspondre aux performances des experts humains.

L'article se penche sur un exemple clinique précis des disparités qui existent dans le traitement de l'arthrose du genou, une maladie qui provoque des douleurs chroniques. L'évaluation de la gravité de cette douleur aide les médecins à prescrire le bon traitement, y compris la physiothérapie, les médicaments ou la chirurgie. Ceci est traditionnellement effectué par un radiologue examinant une radiographie du genou et notant la douleur du patient sur le grade Kellgren-Lawrence (KLG), qui calcule les niveaux de douleur en fonction de la présence de différentes caractéristiques radiographiques, comme le degré de cartilage manquant ou dommages structurels.

Mais les données recueillies par l'Institut national de la santé ont révélé que les médecins utilisant cette méthode évaluent systématiquement la douleur des patients noirs comme étant bien moins sévère que ce qu'ils disent ressentir. Les patients déclarent eux-mêmes leur niveau de douleur à l'aide d'un sondage qui demande à quel point cela fait mal de faire diverses choses, comme redresser complètement leur genou. Mais ces niveaux de douleur autodéclarés sont ignorés au profit du score KLG du radiologue lors de la prescription du traitement. En d'autres termes, les patients noirs qui présentent la même quantité de cartilage manquant que les patients blancs signalent eux-mêmes des niveaux de douleur plus élevés.

Cela a constamment vexé les experts médicaux. Une hypothèse est que les patients noirs pourraient signaler des niveaux de douleur plus élevés afin d'amener les médecins à les traiter plus sérieusement. Mais il y a une autre explication. La méthodologie KLG elle-même pourrait être biaisée. Il a été développé il y a plusieurs décennies avec des populations britanniques blanches. Certains experts médicaux soutiennent que la liste des marqueurs radiographiques qu'elle indique aux cliniciens de rechercher peut ne pas inclure toutes les sources physiques possibles de douleur au sein d'une population plus diversifiée. Autrement dit, il peut y avoir des indicateurs radiographiques de douleur qui apparaissent plus fréquemment chez les Noirs et qui ne font tout simplement pas partie de la rubrique KLG.

Histoire connexe

Les médecins utilisent l'IA pour trier les patients covid-19. Les outils sont peut-être là pour rester Confrontés à des pénuries de personnel et à des charges de patients écrasantes, un nombre croissant d'hôpitaux se tournent vers des outils automatisés pour les aider à gérer la pandémie.

Pour tester cette possibilité, les chercheurs ont formé un modèle d'apprentissage en profondeur pour prédire le niveau de douleur autodéclaré par les patients à partir de leur radiographie du genou. Si le modèle résultant avait une précision terrible, cela suggérerait que la douleur autodéclarée est plutôt arbitraire. Mais si le modèle avait une très bonne précision, cela fournirait la preuve que la douleur autodéclarée est en fait corrélée avec les marqueurs radiographiques dans la radiographie.

Après avoir mené plusieurs expériences, dont certaines conçues pour ignorer tout facteur de confusion, les chercheurs ont découvert que le modèle était beaucoup plus précis que KLG pour prédire les niveaux de douleur autodéclarés pour les patients blancs et noirs, mais surtout pour les patients noirs. Il a réduit de près de moitié la disparité raciale à chaque niveau de douleur.

L'objectif n'est pas nécessairement de commencer à utiliser cet algorithme dans un cadre clinique. Mais en surpassant la méthodologie KLG, elle a révélé que la méthode standard de mesure de la douleur est défectueuse, à un coût beaucoup plus élevé pour les Noirs. Cela devrait inciter la communauté médicale à rechercher les marqueurs radiographiques que l'algorithme pourrait voir et à mettre à jour sa méthodologie de notation.

Cela met en évidence une partie vraiment passionnante de l'endroit où ces types d'algorithmes peuvent s'intégrer dans le processus de découverte médicale, explique Obermeyer. Cela nous dit s'il y a quelque chose ici qui vaut la peine d'être regardé et que nous ne comprenons pas. Cela prépare le terrain pour que les humains interviennent et, en utilisant ces algorithmes comme outils, essaient de comprendre ce qui se passe.

Ce qui est cool avec cet article, c'est qu'il pense aux choses d'un point de vue complètement différent, déclare Irene Chen, chercheuse au MIT qui étudie comment réduire les inégalités en matière de soins de santé dans l'apprentissage automatique et n'a pas participé à l'article. Au lieu de former l'algorithme sur des connaissances expertes bien établies, dit-elle, les chercheurs ont choisi de traiter l'auto-évaluation des patients comme la vérité. Grâce à cela, il a découvert d'importantes lacunes dans ce que le domaine médical considère généralement comme la mesure la plus objective de la douleur.

C'était exactement le secret, convient Obermeyer. Si les algorithmes ne sont formés que pour correspondre aux performances des experts, dit-il, ils perpétueront simplement les lacunes et les inégalités existantes. Cette étude est un aperçu d'un pipeline plus général que nous pouvons de plus en plus utiliser en médecine pour générer de nouvelles connaissances.

cacher