Applications émergentes de l'apprentissage automatique et de l'IA pour la modélisation prédictive en médecine de précision

Selon npj Digital Medicine, l'éditorial de Zorraquin, J., Kvedar, J.C., Bange, M. et al.[1]"résume 31 articles montrant que la médecine de précision nécessite d'intégrer..."[1]Les auteurs écrivent que "l'analyse vidéo en laboratoire est précise mais coûteuse, limitant l'accès aux soins spécialisés."[1] Ils ajoutent que de nouveaux paradigmes se concentrent sur des matériels petits et mobiles adaptés à n'importe quel environnement, y compris les contextes à ressources limitées.[1]L'éditorial rapporte que les réseaux de graphes convolutifs basés sur smartphone évaluent maintenant l'asymétrie de la marche parkinsonienne à domicile[1]. Il dit aussi que les modèles open source transforment les vidéos brutes en métriques interprétables du trouble du spectre autistique[1].Les auteurs citent également l'apprentissage profond pour la détection en temps réel des lésions à l'échographie, l'estimation non invasive de la numération sanguine à partir de vidéos oculaires et la prédiction du risque cardiovasculaire à partir de l'échocardiographie[1].En cardiologie, l'éditorial déclare que l'apprentissage profond détecte l'insuffisance cardiaque subclinique à partir d'électrocardiogrammes[1]. Il ajoute que les modèles basés sur transformer améliorent davantage les prédictions de résultats à partir de dossiers de routine avec un biais réduit.[1]La page de Nature pour la collection d'articles connexes dit que ces technologies "marquent un passage vers des soins de santé personnalisés, prédictifs et participatifs."[2]La même page de collection avertit que "les considérations éthiques, la confidentialité des données et l'accès équitable restent des défis clés."[2]