Informatique
Sur le plan informatique, de nouvelles pistes restent à explorer. La plus évidente est l’utilisation d’un autre procédé, par exemple les réseaux de neurones [44], sur le même sujet
et le comparer à la programmation génétique. Mais il y a déjà fort à faire sur la programmation génétique. Comme décrit plus haut, nous avons utilisé les principes de bases de la programmation génétique mais de nombreuses améliorations peuvent être apportées : programmation génétique linéraire [44], programmation génétique sur graphes [45], séléction automatisée des terminaux [46] à chaque génération pour accélérer la convergence de l’algorithme.
Nous pourrions améliorer la distribution des calculs [44] avec l’utilisation d’un réseau d’ordinateurs et l’amélioration du parallélisme ébauchée dans ce travail, procéder à une génération continue en mode steady-state (plutôt qu’une sélection par tournoi) et ainsi proposer un programme de classification toujours basé sur un ensemble de données récentes.
Ethique
Le faible taux de participation à notre étude de la part des cliniciens révèle-t-il un désintéret pour le sujet, une tâche de classification trop complexe ou une non-adhésion au fait d’utiliser une intelligence artificielle sur un sujet aussi difficile que le pronostic de mortalité ? Il est évident qu’il y aurait un réel bénéfice à mener une étude sur l’accueil réservé à l’intelligence artificielle au sein de la communauté médicale. Une ébauche de questionnaire est déjà faite et pourrait être proposée aux médecins afin de connaître leur opinion sur le sujet dans un avenir proche.
Médecine
Le code source de notre programme a été construit de façon à être aisément adaptable et ainsi être réutilisé pour de nouveaux sujets. La relative légèreté du programme, combinée à certaines améliorations proposées ci-dessus permettrait une combinaison de variables plus importantes dans le futur. Les limites révélées par l’étude permettent une meilleure sélection de la population et du problème à étudier : plus la population est importante, meilleure est l’I.A. La solution apportée doit être de type classification ou approximation d’une fonction maathématique. La réanimation, domaine où les choix peuvent avoir de lourdes conséquences est un domaine où l’apport de l’intelligence artificielle semble avoir sa place.
Avoir conscience de l’importance que va jouer cette nouvelle technologie dans le futur de la médecine est prépondérant. Ce n’est pas un hasard si de grands groupes internationaux, comme Google© ou IBM© (nouvel investissement de 2.6 milliards de dollards pour l’acquisition de données médicales en 2016) ont fait l’acquisition de millions de dossiers médicaux, d’images radiologiques et de données biologiques. Des questions vont se poser sur la manière de poursuivre la recherche médicale, sur l’économie de la santé, sur l’éthique, sur le traitement de nos patients. Cette nouvelle direction est déjà prise et les médecins doivent
être des acteurs cruciaux des prises de décision qui vont avoir lieu. Ils doivent être capables de critiquer la façon dont les données sont utilisées et stockées, ils doivent être au centre du développement puisque ce sont eux qui disposent du savoir nécessaire pour guider le développement d’un outil de diagnostic ou de pronostic. Une intelligence artificielle n’a d’intelligent que le nom : elle utilise seulement des données en très grande quantité avec une capacité de traitement à très grande vitesse, le tout combiné avec des règles de probabilité. L’intuition, la sensibilité, le sens clinique n’existent pas pour elle. C’est en cela que notre métier est irremplaçable.
Conclusion
Nous avons proposé un travail intégrant le développement et l’utilisation de l’intelligence artificielle pour le pronostic de mortalité des prématurés de moins de 1000g à J7 et J28. Cette intelligence artificielle était basée sur la programmation génétique. Son développement aura permis la compréhension de ses principes de base, mais aussi d’envisager de multiples améliorations et d’avoir un regard critique sur ses différentes limites.
Malgré un effectif de petite taille (150 patients), nous avons pu observer que la défaillance respiratoire restait le principal facteur de risque de mortalité chez ces prématurés à J7. Nous avons aussi compris, via les différentes analyses statistiques mais aussi à travers les résultats obtenus par l’I.A que les mécanismes associés à la mortalité à J28 étaient plus complexes et plus difficilement mesurables.
L’intelligence artificielle, malgré les limites de notre étude montre des résultats plutôt prometteurs lorsqu’on les compare à ceux obtenus aux méthodes statistiques usuelles et à la pratique clinique, particulièrement à J7. Il serait fortement intéressant de pouvoir la mettre de nouveau à l’épreuve sur un échantillon de patients plus large.
Enfin, ce travail ouvre de nombreuses portes sur de nouveaux projets, qu’ils soient éthiques avec l’évaluation de l’accueil de l’I.A dans la communauté médicale, l’informatique avec le développement de nouvelles formes d’algorithmes ou l’amélioration de celui existant, la formation et la recherche avec le département de santé publique pour améliorer notre travail sur les statistiques ou la médecine avec l’utilisation de notre I.A sur une nouvelle problématique.
Ce projet est le premier de ce type sur le CHU d’Amiens et permet une première rencontre avec une technologie qui va prendre de plus en plus de place dans le monde médical.
Bibliographie
[1] C. Bernard, Introduction à l’étude de la médecine expérimentale. Chicoutimi: J.-M. Tremblay, 2003.
[2] A.-S. Jannot, T. Agoritsas, A. Gayet-Ageron, et T. V. Perneger, « Citation bias favoring statistically significant studies was present in medical research », J. Clin. Epidemiol., vol. 66, no 3, p. 296-301, mars 2013.
[3] H. Chappuy, F. Doz, S. Blanche, J. Gentet, G. Pons, et J. Tréluyer, « Parental consent in paediatric clinical research », Arch. Dis. Child., vol. 91, no 2, p. 112-116, févr. 2006. [4] I. Ligi, F. Boubred, I. Grandvuillemin, et U. Simeoni, « Clinical research in newborn
infants: difficulties and specificity », Eur. J. Clin. Pharmacol., vol. 67, no S1, p. 29-32, mai 2011.
[5] M. R. Sampson, D. K. Benjamin, et M. Cohen-Wolkowiez, « Evidence-based guidelines for pediatric clinical trials: focus on StaR Child Health », Expert Rev. Clin. Pharmacol., vol. 5, no 5, p. 525-531, sept. 2012.
[6] W. A. Knaus, E. A. Draper, D. P. Wagner, et J. E. Zimmerman, « APACHE II: a severity of disease classification system », Crit. Care Med., vol. 13, no 10, p. 818-829, oct. 1985. [7] J. R. Le Gall et al., « Mortality prediction using SAPS II: an update for French intensive
care units », Crit. Care, vol. 9, no 6, p. R645-R652, 2005.
[8] M. M. Pollack, U. E. Ruttimann, et P. R. Getson, « Pediatric risk of mortality (PRISM) score », Crit. Care Med., vol. 16, no 11, p. 1110-1116, nov. 1988.
[9] G. Parry, J. Tucker, et W. Tarnow-Mordi, « CRIB II: an update of the clinical risk index for babies score », The Lancet, vol. 361, no 9371, p. 1789-1791, mai 2003.
[10] P.-Y. Ancel et al., « Survival and Morbidity of Preterm Children Born at 22 Through 34 Weeks’ Gestation in France in 2011: Results of the EPIPAGE-2 Cohort Study », JAMA Pediatr., vol. 169, no 3, p. 230, mars 2015.
[11] « Neonatal mortality in Argentina. Situation analysis from 2005 to 2014 », Arch. Argent. Pediatr., vol. 115, no 04, août 2017.
[12] S. Santhakumaran, Y. Statnikov, D. Gray, C. Battersby, D. Ashby, et N. Modi, « Survival of very preterm infants admitted to neonatal care in England 2008–2014: time trends and regional variation », Arch. Dis. Child. - Fetal Neonatal Ed., p. fetalneonatal- 2017-312748, sept. 2017.
[13] K. Helenius et al., « Survival in Very Preterm Infants: An International Comparison of 10 National Neonatal Networks », Pediatrics, vol. 140, no 6, p. e20171264, déc. 2017. [14] U. Guillen et al., « Guidelines for the Management of Extremely Premature
Deliveries: A Systematic Review », PEDIATRICS, vol. 136, no 2, p. 343-350, août 2015. [15] A. R. Laptook et al., « Admission Temperature and Associated Mortality and
Morbidity among Moderately and Extremely Preterm Infants », J. Pediatr., vol. 192, p. 53-59.e2, janv. 2018.
[16] L. M. Askie et al., « Association Between Oxygen Saturation Targeting and Death or Disability in Extremely Preterm Infants in the Neonatal Oxygenation Prospective Meta- analysis Collaboration », JAMA, vol. 319, no 21, p. 2190, juin 2018.
[17] G. Manríquez P et C. Escudero O, « Análisis de los factores de riesgo de muerte neonatal en Chile, 2010-2014 », Rev. Chil. Pediatría, vol. 88, no 4, p. 458-464, 2017. [18] J. Zeitlin et al., « Impact of Fetal Growth Restriction on Mortality and Morbidity in a
[19] H. U. Bucher et al., « Decision-making at the limit of viability: differing perceptions and opinions between neonatal physicians and nurses », BMC Pediatr., vol. 18, févr. 2018.
[20] J. G. Ray, A. L. Park, et D. B. Fell, « Mortality in Infants Affected by Preterm Birth and Severe Small-for-Gestational Age Birth Weight », Pediatrics, vol. 140, no 6, p. e20171881, déc. 2017.
[21] Department of Paediatrics and Adolescent Medicine, Queen Mary Hospital, Pokfulam, Hong Kong, Y. Chee, M. S. Wong, R. M. Wong, et K. Wong, « Neonatal outcomes of preterm or very-low-birth-weight infants over a decade from Queen Mary Hospital, Hong Kong: comparison with the Vermont Oxford Network », Hong Kong Med. J., juill. 2017. [22] E. A. Feigenbaum, B. G. Buchanan, et J. Lederberg, « On Generality and Problem
Solving: A Case Study Using the DENDRAL Program », p. 26.
[23] J. Koza, « Genetic programming as a means for programming computers by natural selection », Stat. Comput., vol. 4, no 2, juin 1994.
[24] I. Kononenko, « Machine learning for medical diagnosis: history, state of the art and perspective », Artif. Intell. Med., vol. 23, no 1, p. 89-109, août 2001.
[25] W. . Baxt, « Application of artificial neural networks to clinical medicine », The Lancet, vol. 346, no 8983, p. 1135-1138, oct. 1995.
[26] L. H. G. Marrega, S. M. Silva, E. F. Manffra, et J. C. Nievola, « Comparison between Decision Tree and Genetic Programming to distinguish healthy from stroke postural sway patterns », 2015, p. 6820-6823.
[27] S.-K. Jung et T.-W. Kim, « New approach for the diagnosis of extractions with neural network machine learning », Am. J. Orthod. Dentofacial Orthop., vol. 149, no 1, p. 127-133, janv. 2016.
[28] C. C. Bojarczuk, H. S. Lopes, et A. A. Freitas, « Genetic programming for knowledge discovery in chest-pain diagnosis », IEEE Eng. Med. Biol. Mag., vol. 19, no 4, p. 38-44, août 2000.
[29] A. Małolepszy et E. Kacki, « Genetic programming in medical diagnosis », Stud. Health Technol. Inform., vol. 95, p. 44-49, 2003.
[30] S. Paquerault, P. T. Hardy, N. Wersto, J. Chen, et R. C. Smith, « Investigation of Optimal Use of Computer-Aided Detection Systems », Acad. Radiol., vol. 17, no 9, p. 1112-1121, sept. 2010.
[31] K. Yadav, E. Sarioglu, H. Choi, W. B. Cartwright, P. S. Hinds, et J. M. Chamberlain, « Automated Outcome Classification of Computed Tomography Imaging Reports for Pediatric Traumatic Brain Injury », Acad. Emerg. Med., vol. 23, no 2, p. 171-178, févr. 2016.
[32] R. S. Porter et al., « Prediction of hyperkalemia in dogs from electrocardiographic parameters using an artificial neural network », Acad. Emerg. Med. Off. J. Soc. Acad. Emerg. Med., vol. 8, no 6, p. 599-603, juin 2001.
[33] J. C. Werner et T. C. Fogarty, « Genetic programming applied to severe diseases diagnosis », p. 3.
[34] S. Kent, « Diagnosis of Oral Cancer using Genetic Programming », 1996.
[35] J. Rajanayagam, E. Frank, R. W. Shepherd, et P. J. Lewindon, « Artificial neural network is highly predictive of outcome in paediatric acute liver failure », Pediatr. Transplant., vol. 17, no 6, p. 535-542, sept. 2013.
[36] J. N. Cooper, P. C. Minneci, et K. J. Deans, « Postoperative neonatal mortality prediction using superlearning », J. Surg. Res., vol. 221, p. 311-319, janv. 2018. [37] M. Mueller, C. L. Wagner, D. J. Annibale, T. C. Hulsey, R. G. Knapp, et J. S.
Almeida, « Predicting Extubation Outcome in Preterm Newborns: A Comparison of Neural Networks with Clinical Expertise and Statistical Modeling », Pediatr. Res., vol. 56, no 1, p. 11-18, juill. 2004.
[38] L. F. C. Nascimento et N. R. S. Ortega, « Fuzzy linguistic model for evaluating the risk of neonatal death », Rev. Saude Publica, vol. 36, no 6, p. 686-692, déc. 2002.
[39] L. F. C. Nascimento, P. M. S. Rocha Rizol, et L. B. Abiuzi, « Establishing the risk of neonatal mortality using a fuzzy predictive model », Cad. Saude Publica, vol. 25, no 9, p. 2043-2052, sept. 2009.
[40] L. E. Chaves et L. F. C. Nascimento, « Estimating outcomes in newborn infants using fuzzy logic », Rev. Paul. Pediatr., vol. 32, no 2, p. 164-170, juin 2014.
[41] F. R. Cerqueira et al., « NICeSim: An open-source simulator based on machine learning techniques to support medical research on prenatal and perinatal care decision making », Artif. Intell. Med., vol. 62, no 3, p. 193-201, nov. 2014.
[42] M. Podda, D. Bacciu, A. Micheli, R. Bellù, G. Placidi, et L. Gagliardi, « A machine learning approach to estimating preterm infants survival: development of the Preterm Infants Survival Assessment (PISA) predictor », Sci. Rep., vol. 8, no 1, déc. 2018.
[43] Thomas Cormen, Charles Leiserson, Ronald Rivest, Clifford Stein, « Arbres binaires de recherche », in Introduction à l’algorithmique, 2e éd., Dunod, p. 247-267.
[44] M Brameier, « On linear genetic programming », University of Dortmund, fev 2004. [45] R. Poli, W. B. Langdon et N. F. McPhee « A field guide to genetic programming » Published via http://lulu.com et disponible gratuitement sur http://www.gp-field-guide.org.uk, 2008.
[46] O. El Gerari, « Contribution à l’amélioration des techniques de la programmation génétique », Université du Littoral Côte d’Opale, 2011.
TABLE DES FIGURES
Figure 1 : Exemple de système expert...20
Figure 2 : Apprentissage d'un neurone...21
Figure 3 : cycle de programmation génétique...24
Figure 4 : programme mettant la variable x au carré et ajoutant 1...25
Figure 5 : Mutation...26
Figure 6 : Croisement de deux programmes...26
Figure 7 : diagramme de flux...35
Figure 8 : Courbes ROC obtenues après régression logistique...39
Figure 9 : Comparaison de la fonction (n*(n+1))/2 et la fonction obtenue par programmation génétique...62
ANNEXES
Informatique
Imitation game
Jeu qui vise à imiter la conversation humaine. Si l’humain n’arrive pas à distinguer si son interlocuteur est humain ou machine, alors la machine a passé le test avec succès. Cela signifie que la machine a intégré la complexité de la sémantique humaine.
NP – Complétude
Un problème NP est un problème dont une solution connue se vérifie en un temps polynomial (temporalité acceptable) mais dont l’algorithme pour construire la solution s’éxécute en un temps non-polynomial (exponentiel donc très long). Les bases de la cryptographie reposent sur cette assertion. L’institut Clay offre un million de dollars pour la résolution d’un problèmes NP-complet en un temps polynomial.
Syllogisme
Une monture bon marché est rare. Tout ce qui est rare est cher
Une monture bon marché est chère … CQFD
Système Expert
Si vous êtes intéressé, il existe de nombreux exemples et exercices sur internet. Un de ceux pouvant retenir l’attention des médecins est l’exercice proposé à l’adresse suivante :
https://www.enseignement.polytechnique.fr/profs/informatique/Georges.Gonthier/pi97/ parigot/dia.html
NiceSIM
NiceSIM est disponible à l’adresse
suivante :https://sourceforge.net/projects/nicesim/files/NICeSim_program.zip/download
PISA
Le score est disponible ici : http://pisascore.itc.unipi.it
Le code source, en Python est diponible à l’adresse suivante, sans les données de test ou d’entraînement : https://github.com/marcopodda/inn
Suite arithmétique de raison 1
Lors de la phase de développement, le programme a été d’abord testé sur un problème d’approximation mathématique. Il devait, à partir de simples valeurs numériques, approximer la somme d’une suite de raison 1 débutant à 1. Avec une population de 500 programmes, en 4 générations la fonction été approximée correctement, en dehors des 2 premiers termes.
Figure 9 : Comparaison de la fonction (n*(n+1))/2 et la fonction obtenue par programmation génétique
Phases de développement
Le programme est développé en Ruby. Il peut donc interprété sous différents systèmes d’exploitation : Windows©, MacOsX© ou Linux©. Il est disponible au téléchargement via la plateforme de développement GitHub© ; https://github.com/Mormakil/Genetic-Baby. Il peut être modifié, utilisé à des fins de recherche mais il est souhaité être cité si réutilisation ou publication se basant dessus. Il ne peut être commercialisé. Les fichiers de données patients ne sont pas disponibles par contre. Le code source est composée de plusieurs classes. L’appel au programme se fait via la commande ruby genese.rb. La ligne de commande donne ensuite les paramètres à entrer. Nous espérons bien sûr être en mesure de fournir une interface graphique prochainement. Le test du programme obtenu après appel à genese.rb se fait via ruby appli.rb. On obtient en sortie un fichier .log avec les résultats pour chaque patient, la sensibilité et la spécificité du programme. La classe patient est une classe générérique. Il suffit de coder une sous-classe héritant de celle-ci pour essayer un nouveau problème. Les opérateurs et les terminaux sont stockés dans des fichiers .csv et leurs classes respectives permettent leur manipulation. Le fichier tree.rb contient la définition de classe des arbres et les opérations de manipulation. La fonction fitness est stockée dans un fichier fitness.txt.