La complexité de l’apprentissage automatique pour la modélisation 3D des processus biologiques complexes
Healthcare Exec Intelligence indique que l'apprentissage automatique, par sa capacité à générer des gains de temps et à offrir de la rétroaction, permettrait aux cliniciens de personnaliser et rationaliser grandement les paramètres cliniques.
L'article signale que, certes, les outils analytiques proposés par l'intelligence artificielle (IA) sont utilisés depuis un certain temps déjà par de nombreuses organisations des soins de santé. Cependant, dans le cas des technologies plus sophistiquées, il y aurait de la difficulté à saisir, au-delà du battage médiatique, leur véritable potentiel d'application pratique dans la recherche médicale et les soins cliniques.
C'est dans cet esprit que l'on mentionne, en guise d'exemple, les possibilités offertes par l'apprentissage automatique et mises en relief par la recherche de la professeure Amanda Randles, de l'Université Duke. Cette chercheuse se spécialise dans l'élaboration de nouveaux outils informatiques pour explorer l'emplacement et le développement des maladies humaines, en particulier la modélisation et la simulation tridimensionnelle du flux sanguin. Dans sa recherche, l'apprentissage automatique peut être utilisé pour la création d'un jumeau numérique, un modèle personnalisé en 3D de haute résolution des artères qu'on utilise lors des simulations de flux sanguin.
Ce type de modélisation permet, dit-on, d'améliorer la planification du traitement, et permet une rétroaction en temps réel pour les cliniciens. Cependant, il s'agit d'une technique qui consomme beaucoup de ressources, de sorte qu'une simulation peut prendre de quelques minutes à 12 heures. C'est dans cet environnement de recherche que l'on valorise le potentiel de l'apprentissage automatique, dont la puissance de calcul à grande échelle permettrait d'accélérer l'obtention des résultats. Il serait donc possible d'évaluer plusieurs options de traitement, au lieu d'en essayer une seule.
De même, l'apprentissage automatique pourrait aider les chercheurs à évaluer comment un patient pourrait répondre au traitement dans différents états physiologiques. En effet, par sa capacité à fournir, dans de nombreux cas, des informations en temps réel, l'apprentissage automatique peut aider les cliniciens à prendre de meilleures décisions concernant un plan de traitement potentiel, que ce soit lors de la visite en clinique ou avant d'entrer dans la salle d'opération. Pour les cliniciens, souvent confrontés à l'épuisement professionnel, il s'agirait d'un atout de taille.
Amanda Randles insiste sur la valeur collaborative de l'apprentissage automatique, car il s'agirait de guider les cliniciens en leur donnant la chance d'accéder à plus d'information sur les décisions cliniques, ce qui permettrait d'améliorer le processus de planification du traitement. Il n'est pas question de les remplacer.
Healthcare Exec Intelligence indique que l'apprentissage automatique, par sa capacité à générer des gains de temps et à offrir de la rétroaction, permettrait aux cliniciens de personnaliser et rationaliser grandement les paramètres cliniques.
L'article signale que, certes, les outils analytiques proposés par l'intelligence artificielle (IA) sont utilisés depuis un certain temps déjà par de nombreuses organisations des soins de santé. Cependant, dans le cas des technologies plus sophistiquées, il y aurait de la difficulté à saisir, au-delà du battage médiatique, leur véritable potentiel d'application pratique dans la recherche médicale et les soins cliniques.
C'est dans cet esprit que l'on mentionne, en guise d'exemple, les possibilités offertes par l'apprentissage automatique et mises en relief par la recherche de la professeure Amanda Randles, de l'Université Duke. Cette chercheuse se spécialise dans l'élaboration de nouveaux outils informatiques pour explorer l'emplacement et le développement des maladies humaines, en particulier la modélisation et la simulation tridimensionnelle du flux sanguin. Dans sa recherche, l'apprentissage automatique peut être utilisé pour la création d'un jumeau numérique, un modèle personnalisé en 3D de haute résolution des artères qu'on utilise lors des simulations de flux sanguin.
Ce type de modélisation permet, dit-on, d'améliorer la planification du traitement, et permet une rétroaction en temps réel pour les cliniciens. Cependant, il s'agit d'une technique qui consomme beaucoup de ressources, de sorte qu'une simulation peut prendre de quelques minutes à 12 heures. C'est dans cet environnement de recherche que l'on valorise le potentiel de l'apprentissage automatique, dont la puissance de calcul à grande échelle permettrait d'accélérer l'obtention des résultats. Il serait donc possible d'évaluer plusieurs options de traitement, au lieu d'en essayer une seule.
De même, l'apprentissage automatique pourrait aider les chercheurs à évaluer comment un patient pourrait répondre au traitement dans différents états physiologiques. En effet, par sa capacité à fournir, dans de nombreux cas, des informations en temps réel, l'apprentissage automatique peut aider les cliniciens à prendre de meilleures décisions concernant un plan de traitement potentiel, que ce soit lors de la visite en clinique ou avant d'entrer dans la salle d'opération. Pour les cliniciens, souvent confrontés à l'épuisement professionnel, il s'agirait d'un atout de taille.
Amanda Randles insiste sur la valeur collaborative de l'apprentissage automatique, car il s'agirait de guider les cliniciens en leur donnant la chance d'accéder à plus d'information sur les décisions cliniques, ce qui permettrait d'améliorer le processus de planification du traitement. Il n'est pas question de les remplacer.