Python dans le secteur de la santé : Applications de l'IA dans les hôpitaux

Table des matières

Introduction

Utilisation de Python pour le diagnostic d'images

• Détection et classification des tumeurs
• Détection des anomalies cardiovasculaires
• Détection des fractures et autres blessures
• Dépistage des cancers courants

Utilisation du traitement du langage naturel (NLP) dans les soins de santé

• Utilisation du NLP pour créer un système d'aide à la décision clinique (CDS)
• Utiliser le NLP pour améliorer les capacités de phénotypage
• Prévoir l'apparition d'une psychose
• Identification et stratification des risques des patients atteints de cirrhose
• Identification des cas de cancer à déclarer
• Application du NLP pour l'analyse prédictive

Utiliser Python pour prédire et analyser des maladies complexes

Utiliser Python pour améliorer l'expérience des patients

Améliorer le fonctionnement des hôpitaux

Découverte de médicaments

L'avenir de l'utilisation de Python dans le secteur de la santé

Conclusion

Introduction

Dans le monde moderne, les ordinateurs et les smartphones ont envahi de nombreux aspects de notre vie, et le secteur des soins de santé ne fait pas exception.  Les praticiens de la santé sont de plus en plus nombreux à migrer les données de santé et de soins de santé du papier vers les formats électroniques, et les établissements de soins de santé génèrent par conséquent des quantités massives de données.  Python est un langage de programmation essentiel que les scientifiques des données utilisent pour créer des solutions à de multiples défis dans le domaine de la santé, et il offre un ensemble diversifié d'outils pour générer des connaissances significatives à partir des données pour les professionnels de la santé. Les médecins peuvent utiliser des applications alimentées par Python pour établir de meilleurs pronostics et améliorer la qualité de la prestation des soins de santé.  Dans le secteur de la santé, les data scientists utilisent principalement Python pour construire des algorithmes d'apprentissage automatique et des applications logicielles pour :

• Effectuer des diagnostics médicaux
• Améliorer l'efficacité des opérations hospitalières
• Études génomiques
• Découverte de médicaments
• Analyse prédictive

Les principales applications de Python dans le domaine de la santé reposent sur des algorithmes d'apprentissage automatique (ML) et de traitement du langage naturel (NLP). Ces applications comprennent le diagnostic par l'image, le traitement du langage naturel des documents médicaux et la prédiction des maladies à l'aide de la génétique humaine. Ces applications sont essentielles au secteur des soins de santé : elles traitent et analysent les données pour en faire des informations compréhensibles, significatives et fiables pour les patients et le personnel de santé. La section suivante fournit des détails sur la façon dont les scientifiques des données et les praticiens de la santé utilisent le ML et le NLP dans Python pour résoudre les défis de la santé et améliorer les résultats de santé des patients.  

Utilisation de Python pour le diagnostic d'images

L'un des développements technologiques les plus prometteurs dans le domaine de la santé est l'utilisation de la ML pour analyser des images multiples telles que l'imagerie par résonance magnétique (IRM), la tomographie informatisée (CT) et l'imagerie du tenseur de diffusion (DTI) afin d'établir des diagnostics. Alors que le cerveau humain peut avoir du mal à analyser plusieurs images simultanément, les solutions d'apprentissage automatique sont capables de traiter plusieurs éléments d'information pour produire un seul résultat diagnostique. Sarker (2021) donne des exemples d'applications concrètes de l'apprentissage automatique dans le domaine de la santé et de la recherche.  Il est également à noter que la précision de l'utilisation de Python dans l'apprentissage automatique pour l'analyse d'images est d'environ 92 %. Ce chiffre est légèrement inférieur à la précision de 96% pour les cliniciens seniors. Cependant, lorsque les pathologistes vérifient les modèles d'apprentissage automatique, le taux de précision peut atteindre 99,5 %. 

Détection et classification des tumeurs

L'une des applications les plus courantes des technologies d'apprentissage automatique dans le domaine de la santé est la détection des tumeurs à l'aide de la détection automatisée par ordinateur (DAO). Ces techniques utilisent des CNN pour calculer la probabilité qu'une lésion soit effectivement une lésion. Par exemple, dans le domaine de la mammographie, les outils d'IA peuvent fournir un "deuxième" avis à de nombreux radiologues. Cela améliore considérablement la précision des dépistages sans augmenter le coût lié à l'utilisation d'un être humain pour donner un "deuxième avis".

Les médecins ont rencontré des difficultés dans la détection et la classification du glioblastome, un type de tumeur cérébrale. La difficulté réside dans le caractère invasif et envahissant de ces tumeurs. Contrairement aux autres tumeurs cérébrales, ces tumeurs sont difficiles à localiser et à évaluer leur réaction au traitement. L'apprentissage profond permet d'automatiser l'évaluation des IRM de glioblastomes.

Détection des anomalies cardiovasculaires 

L'utilisation de Python pour automatiser la détection d'anomalies cardiaques à partir d'images, telles que les radiographies du thorax, peut accélérer la prise de décision et réduire les erreurs de diagnostic. Lorsqu'un patient présente des symptômes tels que l'essoufflement, les médecins demandent souvent une radiographie du thorax pour détecter une cardiomégalie. Les outils d'IA créés avec Python peuvent aider à automatiser les tâches d'évaluation telles que la mesure du diamètre de l'artère pulmonaire et la mesure de l'angle de la carène. Par exemple, la figure ci-dessous montre comment les scientifiques des données utilisent le ML pour prédire les maladies cardiovasculaires à partir des caractéristiques cliniques des patients (telles que le sexe, le tabagisme et le risque d'hypertension, entre autres facteurs). Le modèle avait une précision d'environ 76 % (Weng et al., 2017). 

Source : Weng et al. (2017)

Les algorithmes de ML peuvent évaluer les images et générer automatiquement des rapports, ce qui permet aux praticiens humains de gagner du temps dans la classification des anomalies par rapport aux mesures normales. 

Détection des fractures et autres blessures

Les scientifiques des données peuvent utiliser des outils alimentés par la ML pour identifier les luxations, les fractures et les lésions des tissus mous difficiles à voir, ce qui permet aux chirurgiens de faire des choix de traitement plus sûrs. L'utilisation d'algorithmes impartiaux pour analyser les images peut aider les praticiens médicaux à prendre en compte toutes les blessures et à fournir les meilleurs traitements. Les outils d'IA peuvent aider à effectuer une analyse complète des images médicales et à générer des rapports précis en temps opportun, minimisant ainsi les risques pour les patients, les faux négatifs et les risques juridiques pour les praticiens médicaux.

Détection des affections et des complications thoraciques 

Les affections thoraciques telles que la pneumonie exigent des réactions rapides de la part des prestataires de soins de santé. Les médecins utilisent les images radiologiques pour diagnostiquer la pneumonie et la distinguer d'autres affections pulmonaires, telles que le COVID-19. Cependant, comme l'indiquent Hasan et al. (2021) démontrent que les radiologues ne sont pas toujours disponibles pour analyser les images et rédiger des rapports pour les médecins. Même lorsqu'ils sont disponibles, ils peuvent avoir des difficultés à identifier une pneumonie si le patient présente des affections pulmonaires préexistantes. Un algorithme d'IA basé sur Python peut analyser des radiographies et d'autres images médicales pour détecter une pneumonie, puis alerter automatiquement les prestataires de soins de santé pour leur proposer un traitement approprié.

Dépistage des cancers courants

Les oncologues utilisent l'imagerie médicale pour effectuer des dépistages préventifs de routine des cancers, tels que le cancer du côlon, le cancer de la prostate et le cancer du sein. Dans le cadre du dépistage du cancer du sein, les radiologues peuvent être confrontés à la difficulté de classer avec certitude une tumeur comme bénigne ou maligne. Les faux positifs peuvent entraîner des tests ou des traitements invasifs inutiles, tandis que les tumeurs malignes non détectées peuvent entraîner des retards de diagnostic et des conséquences fâcheuses. L'utilisation de l'IA peut contribuer à améliorer la précision de la lecture des images médicales, ce qui pourrait réduire le taux de biopsies bénignes inutiles.

Utilisation du traitement du langage naturel (NLP) dans les soins de santé

Les scientifiques des données et les professionnels de la santé utilisent des outils de traitement du langage naturel (NLP) pour traiter et analyser un large éventail de facteurs, notamment les rencontres avec les patients, les symptômes et les constantes, entre autres. La PNL peut constituer un moyen moins coûteux de numériser rapidement des documents médicaux et d'intégrer les informations obtenues dans une base de données, car les systèmes de PNL extraient des données lisibles à partir de textes et d'images afin d'identifier des mots-clés et des termes. Les possibilités d'application de la PNL dans le domaine de la santé sont nombreuses et passionnantes. Ces applications sont principalement destinées à améliorer la recherche médicale et la médecine. Cette section présente quelques utilisations de la PNL dans le domaine de la santé. La liste n'est pas exhaustive, mais elle met en évidence certaines applications de l'apprentissage automatique. 

Utilisation du NLP pour créer un système d'aide à la décision clinique (CDS)

Vous pouvez utiliser le NLP pour créer un système d'amélioration de l'aide à la décision clinique (CDS) à partir des dossiers historiques des patients. Un tel système peut aider les médecins à prendre des décisions cliniques pour les patients en s'appuyant sur une base de données de connaissances. La base de données peut inclure des informations extraites des notes des médecins (manuscrites ou dactylographiées), des analyses de laboratoire ou des transcriptions audio. Le système fonctionne en extrayant les informations relatives au patient des dossiers médicaux, puis en associant les états pathologiques possibles sur la base des informations provenant de cas antérieurs et/ou de la littérature. 

Utiliser le NLP pour améliorer les capacités de phénotypage

Un phénotype est l'expression observable d'un trait spécifique (physique ou biochimique) dans un organisme. Les cliniciens utilisent le phénotypage pour classer les patients afin de mieux comprendre leurs données et de les comparer à des cohortes.

• Le NLP est un outil précieux pour l'extraction et l'analyse de données non structurées, qui représentent 80 % de toutes les données disponibles sur les patients. 
• Le NLP permet également un phénotypage plus riche, car les rapports de pathologie contiennent de nombreuses informations sur les patients. 
• Le NLP permet aux analystes d'extraire ces données pour répondre à des questions complexes et spécifiques telles que les mutations génétiques associées aux types de tissus cancéreux.

Prévoir l'apparition d'une psychose

Des chercheurs ont publié un rapport sur l'application de la PNL, utilisant une technique connue sous le nom d'analyse sémantique latente, pour prédire l'apparition d'une psychose à l'aide de fichiers audio transcrits de jeunes cliniquement à haut risque. Le modèle a atteint une précision de 93 % en formation et de 90 % sur les ensembles de données de test. Le modèle a bien prédit si un patient allait développer une psychose, malgré la petite taille de l'échantillon (40 participants).

Identification et stratification des risques des patients atteints de cirrhose

L'identification des patients atteints de cirrhose est une autre application du NLP dans le domaine de la santé. Une autre étude a utilisé le NLP pour identifier les patients atteints de cirrhose et les classer par ordre de risque. Cette étude a permis d'identifier correctement les patients atteints de cirrhose à partir des dossiers médicaux électroniques, des combinaisons de codes CIM-9 et des examens radiologiques avec une précision de 95,71 %. Cela indique qu'un tel système pourrait identifier correctement les patients atteints de cirrhose sur la base des données médicales existantes dans la plupart des hôpitaux.

Identification des cas de cancer à déclarer

Une autre étude a utilisé NLP pour identifier les cas de cancer à déclarer dans les registres nationaux du cancer. L'objectif était d'automatiser la déclaration des patients atteints de cancer au National Program of Cancer Registries aux États-Unis. L'étude a utilisé le NLP pour analyser les rapports de pathologie et les diagnostics, et identifier les patients atteints de cancer à l'aide de l'apprentissage automatique supervisé avec une précision de 87,2 %.

Application du NLP pour l'analyse prédictive

L'un des avantages les plus intéressants de la PNL est sa capacité à permettre le développement d'analyses prédictives pour améliorer les résultats en matière de santé au sein d'une population. Un exemple est l'analyse des messages sur les médias sociaux afin de détecter les cas de suicide potentiels et d'intervenir. Le suicide est l'une des principales causes de décès aux États-Unis. Dans une enquête récente, l'Institut national de la santé mentale (NIMH) a montré qu'environ 12 millions d'adultes aux États-Unis ont eu de sérieuses pensées suicidaires. Environ 10 % de ce groupe ont planifié et tenté de se suicider. 

Source : NIMH (2021). Pensées et comportements suicidaires chez les adultes américains.

Les professionnels de la santé souhaitent identifier les individus ou les cohortes à risque afin de pouvoir intervenir. Plusieurs études prédisent les tentatives de suicide à partir des messages publiés sur les médias sociaux. Une étude a utilisé les données de Twitter pour développer un modèle d'une grande précision (environ 70 %). Les principales conclusions de l'étude montrent que les utilisateurs présentant un risque imminent de suicide affichent moins d'emojis dans le texte et utilisent principalement des emojis bleus ou des symboles de cœur brisé. Ils ont également posté des tweets tristes ou en colère avant de tenter de se suicider. Coppersmith (2018) a également prédit des cas de suicide en utilisant le NLP avec une précision de plus de 70 % (voir la figure avec ROC).

Source : Coppersmith et al. (2018)

Les organismes de santé utilisent déjà le NLP pour cueillir les fruits les plus faciles à cueillir sur l'énorme arbre de la science des données. Les grandes entreprises technologiques créent de plus en plus d'outils NLP pour les soins de santé. Par exemple, Amazon propose un outil NLP clinique convivial qui aide les médecins à extraire des informations à partir de données non structurées. Ils peuvent facilement recruter des patients pour une étude, trouver le bon diagnostic pour les patients et mettre en place des systèmes d'alerte pour la détection précoce d'affections telles que la sclérose.

Utiliser Python pour prédire et analyser des maladies complexes

Les analystes utilisent des algorithmes d'apprentissage automatique en Python pour analyser la génétique afin de prédire les maladies et d'en établir la cause. La compréhension de l'influence de la génétique sur le risque d'un individu peut contribuer à la prévention des soins de santé, en fournissant aux médecins des informations précieuses sur la manière d'adapter les plans de soins de santé des patients, afin de réduire le risque de contracter des maladies plus complexes. 

Il est difficile de prévoir l'évolution d'une maladie et de nombreux systèmes sont inefficaces à cet égard, car certaines maladies mutent rapidement et de manière inattendue. Grâce à Python, les développeurs peuvent construire des modèles d'apprentissage automatique efficaces capables de prédire les maladies avant qu'elles ne s'aggravent.

Les techniques de séquençage de nouvelle génération (NGS) dans le domaine de la génétique humaine constituent l'un des principaux développements. Les NGS font partie intégrante de la recherche biologique et médicale. L'importance fondamentale des NGS a propagé la demande de traitement et d'analyse des ensembles de données générés. Cela permet de répondre à des questions de recherche sur divers sujets tels que la quantification et la classification métagénomique, l'appel de variants et la détection de caractéristiques génomiques. 

Autre exemple, Li et al. (2018) utilise des algorithmes d'apprentissage profond formés sur une unité de traitement graphique (GPU) pour prédire à la fois l'hétérogénéité et l'épistasie de maladies complexes.

Grâce à l'apprentissage automatique, les scientifiques peuvent trouver des schémas et des tendances de maladies qu'ils peuvent modéliser de manière plus prévisible. Ainsi, l'apprentissage automatique a le potentiel de prédire avec précision les personnes qui risquent de contracter certaines maladies, telles que les maladies cardiovasculaires, les cancers et la maladie d'Alzheimer. 

Enfin, Google a développé un tel algorithme de Deep Learning pour détecter le cancer chez les patients à partir de leurs données médicales. Le modèle est efficace et permet non seulement d'accélérer le processus de traitement, mais aussi de réduire le risque qu'un patient souffre de complications graves à l'avenir en raison d'un mauvais diagnostic.

Utiliser Python pour améliorer l'expérience des patients

La prise en charge des patients peut nécessiter des ressources importantes. Les établissements dont le personnel est limité peuvent avoir du mal à s'occuper des rendez-vous, des traitements et du bien-être général des patients. Le développement d'apps de santé en Python peut aider les établissements de santé à prendre en charge les patients, en aidant le personnel à se concentrer sur les activités essentielles. 

Les applications Python peuvent aider les patients à planifier leurs rendez-vous, à obtenir des réponses aux questions les plus fréquentes, à demander le renouvellement de leurs médicaments, à contacter les services d'urgence et à mettre régulièrement à jour leurs données de santé à des fins de suivi - ce qui permet au personnel soignant de se concentrer sur le traitement des patients atteints de maladies graves. 

Améliorer le fonctionnement des hôpitaux

Les établissements de santé peuvent s'appuyer sur Python pour résoudre les problèmes liés aux contraintes de ressources. Les scientifiques des données peuvent créer des modèles qui optimisent la dotation en personnel afin que les établissements de soins de santé puissent éviter des problèmes tels que la surcharge en personnel d'une équipe avec un faible taux d'admission, ou le manque de personnel pendant les jours de forte activité. 

Les applications pilotées par Python peuvent optimiser les rendez-vous, l'utilisation des moyens de diagnostic et les traitements. Les hôpitaux disposent de ressources limitées en matière de soins intensifs et doivent optimiser l'utilisation de ces installations. Dans leur étude, Wu et al. (2021) ont utilisé le ML pour prédire la durée du séjour en unité de soins intensifs (USI) des patients de l'USI. Ils ont utilisé quatre techniques de ML différentes (machine à vecteur de support, forêt aléatoire, apprentissage profond et arbre de décision à renforcement de gradient). Le dernier modèle, l'arbre de décision de gradient boosting, a obtenu les meilleures performances avec une précision de 74,7 %.   Selon les analystes du secteur, les applications de l'IA pourraient permettre à l'économie américaine d'économiser environ 150 milliards de dollars par an d'ici à 2026(Roth, 2021). 

Il existe des ensembles de données open source que vous pouvez utiliser, en tant que data scientist, pour développer des algorithmes de prédiction des séjours en réanimation et aider les hôpitaux à planifier leurs ressources. Consultez ce lien Kaggle pour commencer.  En outre, les Data scientists peuvent libérer la puissance de Python grâce à des outils de ML tels que Scikit-Learn, Keras, TensorFlow et Pytorch pour améliorer la façon dont les prestataires de soins de santé gèrent leurs coûts et leurs installations. 

Découverte de médicaments 

Le langage de programmation Python est un langage de premier choix pour la découverte moderne de médicaments. Pratiquement toutes les offres d'emploi publiées sur indeed.com dans le domaine de la découverte de médicaments requièrent une expérience en Python. Par conséquent, l'apprentissage de Python n'est plus un choix, mais une exigence pour les carrières liées à la découverte de médicaments. 

Un bon exemple d'utilisation de Python dans la découverte de médicaments est PyMOL d'AstraZeneca. AstraZeneca est l'une des entreprises qui misent sur Python pour accélérer la découverte de médicaments. PyMOL est un outil puissant pour afficher les structures 3D des cibles des maladies. L'outil dispose de 12 modes de visualisation stéréo différents qui permettent aux utilisateurs de mettre en évidence et de différencier les diverses caractéristiques structurelles des cibles. Les scientifiques utilisent des outils pour trouver les sites de liaison appropriés pour les molécules de médicaments. L'outil est conçu pour s'adapter aux nouvelles méthodes de prédiction. La figure ci-dessous montre comment l'outil passe au crible des millions de données pour aider à concevoir des prototypes de médicaments. 

Source : PyMOL

PyMOL permet de visualiser les structures tridimensionnelles (3D) des organismes pathogènes ciblés. Grâce à ces visualisations, les scientifiques acquièrent une meilleure compréhension des problèmes fondamentaux, ce qui leur permet de concevoir de nouvelles constructions moléculaires pour lutter efficacement contre la maladie.

L'avenir de l'utilisation de Python dans le secteur de la santé

L'afflux d'ensembles de données de santé vastes et complexes, la nécessité de réduire les coûts et la diminution du personnel de santé alimentent la croissance des outils d'IA/ML sur le marché. On observe également un nombre croissant de collaborations et de partenariats entre les praticiens humains et les outils basés sur l'IA. L'avenir s'annonce prometteur pour les développeurs d'IA/ML et de NLP, certaines start-ups développant déjà des systèmes d'IA conscients de l'être humain. L'utilisation de robots dans les soins de santé est en constante augmentation. 

Les nouvelles applications des robots dans le domaine de la santé vont des exosquelettes et des prothèses aux nano-robots et aux robots chirurgicaux. Aux États-Unis, le marché de la robotique médicale atteindra environ 32,5 milliards de dollars d'ici à 2027, avec un taux de croissance annuel moyen estimé à 21,3 % pour la période 2020-2027(Xavor, 2021). 

La lutte contre le COVID-19 continuera à stimuler la croissance du marché, les technologies d'IA étant déployées pour les diagnostics d'imagerie, la découverte de médicaments, la génomique et l'analyse prédictive.

Source : Markets and Markets (2022).

Les États-Unis La National Library of Medicine souligne que la médecine de précision est "une approche émergente du traitement et de la prévention des maladies qui tient compte de la variabilité individuelle des gènes, de l'environnement et du mode de vie de chaque personne". 

L'avenir des soins de santé est entre les mains de l'IA/ML, la médecine de précision étant probablement l'un des avantages les plus importants de l'utilisation de l'IA/ML dans les soins de santé. 

L'objectif de la médecine de précision est de trouver des options thérapeutiques précises pour un patient en fonction de ses antécédents médicaux personnels, de ses informations génétiques, de ses choix de mode de vie et de l'évolution dynamique de ses tests pathologiques. L'objectif sous-jacent est de combiner les techniques d'IA les plus puissantes (telles que les réseaux neuronaux profonds, les algorithmes de recherche, l'apprentissage par renforcement, les modèles probabilistes, l'apprentissage supervisé et autres) pour développer des outils de médecine de précision.  Elle se concentre sur la création de systèmes d'IA capables de prédire la probabilité des patients d'avoir une certaine maladie en utilisant des données de dépistage précoce ou d'examen de routine, et Python est à l'avant-garde de la quête de la médecine de précision, les développeurs créant des outils d'IA pour modéliser pourquoi et dans quelles circonstances les maladies sont plus susceptibles de se produire. Cela est important pour préparer et guider les prestataires de soins de santé afin qu'ils interviennent avant même qu'un individu ne présente des symptômes.

Il existe d'autres possibilités vraiment passionnantes pour l'utilisation de Python dans la création d'applications d'IA/ML telles que les robots de chirurgie numérique. Imaginez une salle d'opération où un patient entre pour que des robots effectuent des procédures précises sur lui, en toute sécurité et avec précision !

Source : Bilan de l'activité robotique (2022)

Les robots intelligents dotés d'IA pourraient travailler main dans la main avec les chirurgiens et tirer parti d'informations et de conseils fondés sur des données distribuées et basés sur les antécédents chirurgicaux et leurs résultats. Les possibilités d'utilisation de Python dans le domaine de la santé sont infinies, l'avenir restant ouvert à la télémédecine et à la réalisation d'opérations chirurgicales à distance pour des interventions mineures. 

Conclusion 

L'application de Python dans le domaine des soins de santé n'est pas exempte de défis. Les problèmes liés à la confidentialité des données et au cadre juridique font encore obstacle à sa pleine application. Il est également difficile de trouver des données que les fournisseurs tiers peuvent utiliser légalement. Un effort massif de rationalisation des aspects juridiques et politiques est nécessaire pour relever ces défis. 

En tant que scientifiques des données et praticiens du ML, nous avons la responsabilité de créer un avenir radieux en tirant parti de la puissance des algorithmes d'IA pour réduire les coûts et améliorer la vie de milliards de personnes dans le monde. 

Vous pouvez acquérir des compétences pratiques en Python en codant avec les projets guidés suivants :

• Ce que vous dit votre fréquence cardiaque

• Regroupement des données des patients atteints de maladies cardiaques

• Calculs rénaux et paradoxe de Simpson