L’intelligence artificielle (IA) pourrait révolutionner les soins de santé. Elle peut minimiser les erreurs diagnostiques, optimiser les protocoles thérapeutiques et, en fin de compte, améliorer la santé de la patientèle. Cependant, un facteur essentiel freine ce potentiel : l’accès à des données de santé normalisées et de haute qualité.
Jordan Engbers, directeur scientifique de Cohesic et spécialiste des données, a passé des années en recherche clinique; il est terriblement conscient du fossé entre les promesses et la réalité de l’IA dans les soins de santé. Alors qu’un modèle d’IA peut fonctionner dans le cadre d’une étude où les scientifiques recueillent, nettoient et normalisent systématiquement les données, les données de santé en contexte réel sont souvent trop désordonnées et peu fiables aux fins de décisions cliniques. Comme le dit Engbers, « Les revues scientifiques font état d’un grand nombre de modèles permettant de prédire tel ou tel résultat, mais il est impossible d’y recourir en pratique, car les médecins ne disposent pas des données adéquates pour alimenter lesdits modèles. »
Voilà pourquoi, en 2016, Engbers a fait équipe avec le Dr James White, cardiologue basé à Calgary et alors directeur du Centre d’imagerie cardiaque Stephenson, pour mettre sur pied Cohesic. La mission de l’entreprise est de fournir aux spécialistes cliniques des renseignements exploitables afin d’éclairer leurs décisions diagnostiques et thérapeutiques dans le domaine cardiovasculaire. L’équipe de Cohesic est en bonne voie d’accomplir cette mission; la première étape a été de mettre en place l’infrastructure de données de santé nécessaire à la normalisation des données entre les hôpitaux.
Pour garantir la viabilité clinique de l’IA, il faut intégrer les données des systèmes cliniques existants ou les recueillir directement à partir du flux de travail clinique, un processus long et sujet aux erreurs. Grâce à l’automatisation et à la normalisation de la collecte et de l’analyse des données, Cohesic réduit le temps que passent les médecins à transmettre et à interpréter les données. La collecte normalisée des données garantit que chaque élément de données de santé, des relevés de tension artérielle à l’imagerie médicale, respecte un format cohérent. Cela améliore la cohésion des données et permet aux modèles d’IA de repérer plus précisément les tendances et les risques. Même sans IA, ce processus de normalisation des données de santé s’avère bénéfique pour la patientèle, car il permet aux médecins d’accéder rapidement aux données de santé complètes nécessaires à une prise de décision plus éclairée, et de les interpréter.
Le produit phare de Cohesic se nomme cardioDI (DI signifie decision intelligence, aide à la décision). cardioDI normalise le flux de travail des services d’imagerie cardiovasculaire avancée par l’intégration dans un rapport de diagnostic exhaustif des données pertinentes provenant des logiciels d’analyse d’images, des dossiers médicaux électroniques et de l’interprétation clinique des spécialistes. cardioDI aide les médecins en leur permettant de saisir rapidement des données qualitatives et quantitatives pertinentes dans le même système. Par exemple, il est possible d’annoter une artère sur une image 3D du cœur et d’attribuer un code indiquant la présence d’une endoprothèse, de cicatrices ou d’un rétrécissement causé par un dépôt de plaques. Ensuite il faut associer ces annotations à toutes les autres données pertinentes pour calculer les niveaux de risque individualisés, produire des rapports normalisés en langage naturel et fournir une aide à la décision clinique.
Comment cela se compare-t-il à la méthode traditionnelle? Généralement, lorsqu’un médecin reçoit un rapport de tomodensitométrie, il lui faut intégrer toutes ces données provenant de systèmes disparates, puis dicter un rapport final, le tout sans l’aide d’un logiciel d’aide à la décision clinique. Comme vous pouvez l’imaginer, ce processus manuel est sujet à erreurs; il repose largement sur le médecin pour garantir la qualité, l’exactitude et l’exhaustivité des données. De plus, ce processus manuel signifie que les données ne sont pas enregistrées de façon normalisée et ne peuvent donc pas être transmises en temps réel à un algorithme d’IA pour en faire l’analyse et fournir une aide à la décision fiable. Les médecins peuvent communiquer les données dans un ordre différent, en utilisant des descripteurs ou des unités variés. Ils peuvent même dessiner à la main un diagramme pour indiquer le rétrécissement d’une artère. Comme l’explique Engbers, le système cardioDI de Cohesic est « une solution qui profite à toutes les parties. Vous réduisez les erreurs et vous commencez à recueillir des données de santé normalisées à partir de chaque examen d’imagerie, ce qui vous permet ensuite de déployer des outils d’IA ».
Christine Lorenz est cheffe de la direction de Cohesic. Cette ancienne cadre chez Siemens et ingénieure biomédicale a passé des années à améliorer les systèmes d’imagerie clinique avant de se joindre à Cohesic en 2019 en tant que cheffe de l’exploitation. Selon elle, leurs produits sont utilisés aujourd’hui dans des hôpitaux d’Amérique du Nord qui desservent au total 23 millions de patient.es..
cardioDI ne se contente pas de normaliser les données de santé et de faire gagner du temps aux médecins; il fournit également des suggestions d’examens ou de traitements supplémentaires en fonction des lignes directrices médicales publiées et permet au médecin de décider ce qu’il va recommander. « Nous reprenons de longs et denses documents de lignes directrices et les intégrons dans le logiciel pour faciliter leur application en contexte réel », explique Lorenz.
Par exemple, selon la ligne directrice CAD-RADS, le médecin qui interprète une tomodensitométrie cardiaque doit recueillir des données sur les différents types d’anomalies des artères coronaires ainsi que sur les symptômes cliniques, puis déterminer manuellement une cote de risque et formuler des recommandations quant à d’éventuels examens complémentaires. Cependant, les médecins n’ont pas toujours le temps de calculer la cote de risque ni de chercher la meilleure marche à suivre en fonction de cette cote. cardioDI calcule automatiquement diverses cotes de risque et partage les recommandations publiées correspondant à cette cote. Grâce au calcul automatique des cotes de risque et aux recommandations fondées sur les lignes directrices, cardioDI garantit que la patientèle reçoit rapidement des soins fondés sur les résultats probants, ce qui peut réduire les risques de complications de santé évitables.
Now, with support from INOVAIT, Cohesic is embarking on a project to demonstrate the feasibility of using AI in the real world, together with the Libin Cardiovascular Institute in Calgary and Sunnybrook Research Institute in Toronto. After spending years building a robust health database used by hospitals across the country, the company and its collaborators are building an AI prediction tool that will flag diabetic patients at high risk of developing heart disease. “The INOVAIT project benefits from the groundwork that we’ve done. Because we’ve been in the market for a number of years, we now have a continuously growing real-world, standardized health data to train and test AI models that can be delivered into clinical workflows,” Engbers explains.
En plus de soutenir le projet Cohesic, INOVAIT participe à des initiatives destinées à exploiter les données de santé canadiennes au service de l’innovation en santé basée sur l’IA, comme son cadre récemment lancé « La mobilisation des données : Principes pour une exploitation sûre et éthique des données canadiennes de santé pour favoriser l’innovation, la croissance économique et l’amélioration des soins à la patientèle, que vous pouvez lire ici.
Pour son projet avec INOVAIT, l’équipe de Cohesic entraîne actuellement un modèle qui va repérer des schémas communs dans un ensemble de données contenant des valeurs de laboratoire, des résultats signalés par la patientèle, des ordonnances médicales, des dossiers médicaux et des biomarqueurs d’imagerie chez des diabétiques dans les années précédant un incident cardiaque majeur, comme un infarctus ou un AVC. Les résultats obtenus jusqu’à présent suggèrent que le modèle peut identifier avec précision les personnes présentant un risque de problème cardiaque futur et suggérer les mesures à prendre pour réduire ce risque.
Une fois le système d’IA opérationnel dans cardioDI, il pourra repérer les facteurs de risque élevé chez la patientèle et en avertir les médecins, pour permettre un processus décisionnel plus éclairé en matière de protocole thérapeutique. « Le diabète représente un fardeau énorme pour tous les systèmes de santé, et l’une des principales complications chez les diabétiques est la cardiopathie », explique Lorenz.
Plutôt que de créer d’abord le modèle d’IA, Cohesic a modifié le scénario habituel en élaborant d’abord la plateforme permettant de recueillir des données fiables, normalisées et à forte valeur ajoutée dans tous les hôpitaux, puis en créant un modèle d’IA pour tirer des conclusions à partir des données existantes. Grâce à cette approche et à leur partenariat avec des hôpitaux visionnaires prêts à partager leurs données anonymisées pour contribuer au développement d’un produit de santé canadien, il est beaucoup plus probable que la modélisation de l’IA profite réellement à la patientèle.
« Au lieu d’avoir de simples diagrammes ou des diagrammes dessinés à la main et des notes dictées, nous capturons désormais des données de santé de haute qualité pour chaque patient.e, explique Engbers. Nous avons créé une plateforme qui nous permet d’obtenir les données de santé nécessaires pour que l’IA atteigne son plein potentiel et transformer la vie et la santé de la population canadienne. »
