L'intelligence collective peut contribuer à réduire les erreurs de diagnostic médical
Une solution entièrement automatisée augmente considérablement la précision du diagnostic
Des chercheurs de l'Institut Max Planck pour le développement humain, de l'Institut des sciences et technologies cognitives (ISTC) et de l'Université norvégienne des sciences et technologies ont mis au point une approche d'intelligence collective pour améliorer la précision des diagnostics médicaux. Leurs travaux ont été récemment présentés dans la revue PNAS.
On estime que 250 000 personnes meurent chaque année aux États-Unis à la suite d'erreurs médicales évitables. Un grand nombre de ces erreurs surviennent au cours du processus de diagnostic. Un moyen efficace d'améliorer la précision du diagnostic consiste à combiner les diagnostics de plusieurs diagnosticiens en une solution collective. Cependant, les méthodes d'agrégation de diagnostics indépendants dans le cadre de diagnostics médicaux généraux font défaut. Des chercheurs de l'Institut Max Planck pour le développement humain, de l'Institut des sciences et technologies cognitives (ISTC) et de l'Université norvégienne des sciences et technologies ont donc introduit une solution entièrement automatisée utilisant des méthodes d'ingénierie des connaissances.
Les chercheurs ont testé leur solution sur 1 333 cas médicaux fournis par le Human Diagnosis Project (Human Dx), chacun d'entre eux ayant fait l'objet d'un diagnostic indépendant par 10 diagnosticiens. La solution collective a considérablement amélioré la précision du diagnostic : les diagnosticiens individuels ont atteint une précision de 46 %, tandis que la mise en commun des décisions de 10 diagnosticiens a permis d'augmenter la précision à 76 %. Les améliorations se sont produites dans toutes les spécialités médicales, pour toutes les plaintes principales et pour tous les niveaux d'ancienneté des diagnosticiens. "Nos résultats montrent qu'il est possible de sauver des vies en exploitant l'intelligence collective", déclare le premier auteur, Ralf Kurvers. Il est chercheur principal au Centre pour la rationalité adaptative de l'Institut Max Planck pour le développement humain et ses recherches portent sur la prise de décision sociale et collective chez l'homme et l'animal.
Il a été prouvé que l'intelligence collective améliore la précision des décisions dans de nombreux domaines, tels que les prévisions géopolitiques, les investissements et les diagnostics en radiologie et en dermatologie (par exemple, Kurvers et al., PNAS, 2016). Cependant, l'intelligence collective a surtout été appliquée à des tâches de décision relativement simples. Les applications à des tâches plus ouvertes, telles que la gestion des urgences ou les diagnostics médicaux généraux, font largement défaut en raison du défi que représente l'intégration d'informations non standardisées provenant de différentes personnes. Pour surmonter cet obstacle, les chercheurs ont utilisé des graphes de connaissances sémantiques, le traitement du langage naturel et l'ontologie médicale SNOMED CT, une terminologie clinique multilingue complète, à des fins de normalisation.
"L'une des principales contributions de notre travail est que, bien que les diagnostics fournis par l'homme conservent leur primauté, nos procédures d'agrégation et d'évaluation sont entièrement automatisées, ce qui évite les biais possibles dans la génération du diagnostic final et permet au processus d'être plus rapide et plus rentable", ajoute Vito Trianni, de l'Institut des sciences et technologies cognitives (ISTC) de Rome, qui est l'un des coauteurs de l'étude.
Les chercheurs collaborent actuellement avec d'autres partenaires dans le cadre du projet HACID afin de rapprocher leur application du marché. Le projet financé par l'UE explorera une nouvelle approche qui associe des experts humains à la représentation des connaissances et au raisonnement assistés par l'IA afin de créer de nouveaux outils pour la prise de décision dans divers domaines. L'application de la technologie HACID aux diagnostics médicaux illustre l'une des nombreuses possibilités de tirer parti d'un système de santé numérique et de données accessibles.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Ralf H. J. M. Kurvers, Andrea Giovanni Nuzzolese, Alessandro Russo, Gioele Barabucci, Stefan M. Herzog, Vito Trianni; "Automating hybrid collective intelligence in open-ended medical diagnostics"; Proceedings of the National Academy of Sciences, Volume 120, 2023-8-14
Ralf H. J. M. Kurvers, Stefan M. Herzog, Ralph Hertwig, Jens Krause, Patricia A. Carney, Andy Bogart, Giuseppe Argenziano, Iris Zalaudek, Max Wolf; "Boosting medical diagnostics by pooling independent judgments"; Proceedings of the National Academy of Sciences, Volume 113, 2016-7-18
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
