En médecine, plusieurs têtes valent mieux qu’une
L’erreur est humaine. Mais en médecine, elles coûtent des vies, et nombre d’entre elles résultent d’un diagnostic erroné. Cependant, que se passerait-il si nous pouvions améliorer la précision diagnostique en combinant les diagnostics de plusieurs médecins? Une équipe de recherche internationale soutenue par le projet HACID financé par l’UE a mis au point une procédure entièrement automatisée qui utilise des techniques de génie de la connaissance pour tirer pleinement parti de l’intelligence collective (IC) dans le domaine de la médecine et des soins de santé.
L’individu par rapport au collectif
L’équipe a testé sa solution sur plus de 1 300 cas médicaux fournis par une plateforme de production médicale participative appelée The Human Diagnosis Project. Chaque cas a été diagnostiqué indépendamment par dix diagnostiqueurs. En comparant les diagnostics individuels avec leur solution collective, l’équipe a constaté que leur méthode améliorait considérablement la précision du diagnostic. Les diagnostiqueurs uniques ont obtenu une précision de 46 %. Cependant, la mise en commun des décisions des dix diagnostiqueurs a permis de faire passer ce taux à 76 %. «Nos résultats montrent qu’il est possible de sauver des vies en exploitant l’intelligence collective de la communauté médicale mondiale pour réduire les erreurs de diagnostic et accroître la sécurité des patients», rapportent les chercheurs dans leur article publié dans la revue «PNAS». Le plus grand défi lors de la combinaison de diagnostics indépendants dans les diagnostics médicaux ouverts est d’identifier les diagnostics qui pointent vers le même concept médical. Il s’agit de problèmes banals tels que les différentes orthographes, l’utilisation des majuscules et les fautes de frappe. Cela implique également des questions plus complexes, telles que l’équivalence ou non de deux diagnostics déclarés. Pour identifier les concepts médicaux exacts à partir de diagnostics en texte libre, la solution de l’équipe s’appuie sur une combinaison de graphes de connaissances sémantiques, de traitement du langage naturel et de la terminologie clinique multilingue la plus complète au monde: l’ontologie SNOMED Clinical Terms, à des fins de normalisation. «Ce travail présente un pipeline entièrement automatisé — allant de l’agrégation des diagnostics à l’évaluation des résultats obtenus via l’IC — qui peut exploiter la puissance des experts médicaux indépendants dans le domaine médical au sens large. Cela élargit donc considérablement l’application de l’IC dans les diagnostics médicaux au-delà de la simple classification binaire ou multiclasse ou des tâches d’estimation numérique», rapportent les auteurs de l’étude. «Nos résultats montrent que l’agrégation des réponses indépendantes de plusieurs utilisateurs conduit à des améliorations importantes de la précision du diagnostic, quelles que soient les règles d’agrégation, les spécialités médicales, les plaintes principales et les niveaux d’ancienneté des utilisateurs».
Retirer l’être humain de la boucle
La solution élimine toute intervention humaine manuelle. Le Dr Vito Trianni, coordinateur du projet HACID au Conseil national de la recherche (Italie), co-auteur de l’étude, déclare dans un communiqué de presse «EurekAlert!»: «L’un des principaux apports de notre travail est que, si les diagnostics fournis par l’humain conservent leur primauté, nos procédures d’agrégation et d’évaluation sont entièrement automatisées, ce qui évite d’éventuels biais dans la génération du diagnostic final et permet au processus d’être plus efficace en termes de temps et de coûts». La solution étant entièrement automatisée, «elle peut fonctionner dans un environnement clinique réel, en temps réel, où la vérité du terrain est inconnue au moment des arbitrages», précise l’article. Les chercheurs collaborent actuellement au projet HACID (Hybrid Human Artificial Collective Intelligence in Open-Ended Decision Making) afin de rapprocher leur application du marché. Pour plus d’informations, veuillez consulter: site web du projet HACID
Mots‑clés
HACID, médical, diagnostic, erreur de diagnostic, diagnostic, précision, intelligence collective, médecine, diagnostiqueur