Des scientifiques de l'UCSF ont combiné un biomarqueur génétique à une intelligence artificielle générative pour détecter avec une précision remarquable les infections pulmonaires graves chez les patients en soins intensifs. Cette approche pourrait accélérer le diagnostic et réduire considérablement l'utilisation inutile d'antibiotiques.
Les infections pulmonaires, comme la pneumonie, figurent parmi les principales causes de mortalité dans le monde. Pourtant, même dans les services de soins intensifs modernes, leur diagnostic peut s'avérer étonnamment difficile. Cette incertitude pousse souvent les médecins à prescrire des antibiotiques puissants par précaution – un réflexe de survie qui alimente également la résistance aux médicaments et expose les patients à des effets secondaires inutiles.
Des chercheurs de l'Université de Californie à San Francisco affirment qu'une nouvelle approche combinant un biomarqueur sanguin et une intelligence artificielle générative pourrait changer la donne.
Dans une étude observationnelle menée auprès d'adultes gravement malades, publié Aujourd'hui, dans la revue Nature Communications, l'équipe a publié que son modèle avait correctement identifié les infections des voies respiratoires inférieures dans 96 % des cas. Ce modèle s'est également avéré plus performant que les cliniciens des soins intensifs pour distinguer les causes infectieuses et non infectieuses de l'insuffisance respiratoire.
Les chercheurs estiment que si leur modèle avait été disponible au moment de l'admission des patients, il aurait pu réduire de plus de 80 % l'utilisation inappropriée d'antibiotiques.
« Nous avons mis au point une méthode qui donne des résultats beaucoup plus rapidement qu'une culture et qui pourrait être facile à appliquer en clinique », a déclaré Chaz Langelier, professeur agrégé de médecine à l'UCSF et auteur principal de l'étude, dans un communiqué de presse. « Nous sommes convaincus qu'elle pourrait permettre un diagnostic plus rapide et limiter l'utilisation inutile d'antibiotiques. »
Les cultures, qui consistent à faire pousser des bactéries à partir d'échantillons prélevés chez le patient, sont une méthode courante pour confirmer une infection, mais elles peuvent prendre plusieurs jours et parfois ne donner aucun résultat. Dans l'intervalle, les médecins doivent décider d'initier ou de poursuivre un traitement antibiotique en se basant sur des informations incomplètes issues des examens d'imagerie, des analyses de laboratoire et de l'examen clinique.
Le modèle de l'UCSF s'attaque à ce problème sous deux angles simultanément.
L'un des éléments étudiés est un biomarqueur basé sur un gène appelé FABP4, que l'équipe de Langelier a identifié en 2023 comme un indicateur prometteur d'infection des voies respiratoires inférieures. FABP4 contribue à moduler l'inflammation et est moins actif dans certaines cellules immunitaires que dans les cellules pulmonaires normales. En mesurant l'intensité d'expression de ce gène, les chercheurs peuvent déterminer si l'organisme déclenche la réponse immunitaire caractéristique d'une infection pulmonaire grave.
L'autre élément est un système d'IA générative qui lit et interprète le dossier médical électronique du patient. À l'aide de GPT-4 sur une plateforme de protection de la vie privée développée à l'UCSF, l'équipe a conçu des instructions guidant l'IA dans l'analyse des notes cliniques, des résultats de laboratoire, des comptes rendus d'imagerie et d'autres données afin de déterminer la probabilité d'une pneumonie ou d'une autre infection des voies respiratoires inférieures.
L’étude s’appuie sur les données de deux groupes de patients en soins intensifs. Quatre-vingt-dix-huit patients ont été recrutés avant la pandémie de COVID-19, alors que la plupart des infections étaient bactériennes. Cinquante-neuf autres ont été recrutés pendant la pandémie, période où les infections virales, dont la COVID-19, étaient plus fréquentes.
Lorsque les chercheurs ont testé chaque méthode individuellement (le biomarqueur FABP4 ou l'analyse par IA), chacune a atteint une précision diagnostique d'environ 80 %. Les gains les plus significatifs sont apparus lors de la combinaison des deux.
Ils ont ensuite comparé les performances du modèle aux diagnostics posés par les médecins de l'unité de soins intensifs ayant admis les patients. Ces médecins prescrivaient des antibiotiques pour la pneumonie dans la plupart des cas, ce qui témoigne des risques importants liés au diagnostic manqué d'une infection grave. Le modèle combinant biomarqueurs et intelligence artificielle s'est avéré plus sélectif, étiquetant moins de patients comme atteints de pneumonie tout en détectant la quasi-totalité des infections réelles.
Pour mieux comprendre le raisonnement de l'IA, l'équipe l'a confrontée à trois médecins spécialistes en médecine interne et maladies infectieuses. L'IA et les experts humains ont posé un nombre similaire de diagnostics corrects, mais semblaient privilégier des types d'informations différents. L'IA avait tendance à accorder plus d'importance aux comptes rendus radiologiques des radiographies pulmonaires, tandis que les médecins se concentraient davantage sur les notes cliniques descriptives.
« Cela révélait presque une différence culturelle, si l’on peut dire cela d’une IA », a ajouté Natasha Spottiswoode, co-première auteure et professeure adjointe de médecine à l’UCSF. « Cela montre comment l’IA peut compléter le travail des médecins. »
Au lieu de garder leurs suggestions d'IA confidentielles, les chercheurs les ont publiées dans l'article et ont encouragé d'autres cliniciens à expérimenter des approches similaires sur leurs propres plateformes d'IA conformes à la loi HIPAA. L'objectif est de rendre cette technique accessible non seulement aux data scientists, mais aussi aux médecins de terrain.
Hoang Van Phan, co-premier auteur et bioinformaticien à l'UCSF, a souligné que l'outil est conçu pour être convivial.
« Son utilisation est incroyablement simple, vous n'avez pas besoin d'être bioinformaticien », a-t-il déclaré dans le communiqué de presse.
L'équipe travaille actuellement à valider le modèle en tant que test clinique utilisable en temps réel, et non plus seulement pour des analyses rétrospectives. Cela nécessitera des études complémentaires afin de confirmer sa fiabilité dans différents hôpitaux et auprès de diverses populations de patients, ainsi qu'une surveillance et un suivi rigoureux en matière de sécurité.
Si elle se confirme, cette approche pourrait offrir une nouvelle méthode efficace pour personnaliser les soins en soins intensifs : identifier rapidement quels patients ont réellement besoin d’antibiotiques agressifs et lesquels n’en ont pas besoin, tout en donnant aux cliniciens une image plus claire de ce qui se passe dans les poumons.
Les chercheurs prévoient ensuite de s'intéresser à la septicémie, une réaction inflammatoire massive et souvent mortelle de l'organisme face à une infection. À l'instar de la pneumonie, la septicémie est notoirement difficile à diagnostiquer précocement et avec précision, et elle demeure la principale cause de décès en milieu hospitalier.
Plus largement, ces travaux soulignent comment l'association de connaissances biologiques — telles que les biomarqueurs génétiques — et de systèmes d'IA avancés peut contribuer à résoudre certains des problèmes diagnostiques les plus complexes de la médecine. Pour les patients en détresse respiratoire en soins intensifs, cela pourrait se traduire par des réponses plus rapides, des traitements plus ciblés et de meilleures chances de guérison.