L’intégration de la technologie de l’intelligence artificielle (IA) à l’interprétation humaine de l’EEG a été accueillie avec à la fois de l’enthousiasme et de l’appréhension. Bien que les avantages de l’IA pour améliorer l’efficacité et la précision soient largement reconnus, les neurologues, les épileptologues, le personnel de neurodiagnostic et d’autres professionnels peuvent encore manquer de confiance quant à la manière dont la technologie fonctionnera dans le cadre des soins réels aux patients.
Quelle que soit leur spécialité, la plupart des professionnels de la santé s’accordent à dire que l’adoption réussie de l’IA, dans n’importe quel scénario¹, repose avant tout sur un élément important: la confiance. Cet article présente quatre raisons convaincantes pour lesquelles les neurologues peuvent faire confiance à l’IA pour l’EEG, ainsi que les aspects de la collaboration homme/machine qui continueront d’améliorer ce partenariat déjà efficace.
Comprendre n’importe quelle technologie est essentiel pour instaurer la confiance dans ses performances. À la base, l’apprentissage automatique est un sous-ensemble de l’IA utilisé depuis longtemps, impliquant la formation d’algorithmes pour apprendre des modèles à partir d’ensembles de données existants. Les modèles de machine learning sont exposés à divers exemples et ajustent leurs paramètres pour reconnaître les schémas sous-jacents qui les aident à faire des prédictions et/ou des classifications précises. Dans le cas de l’analyse des EEG, les algorithmes d’apprentissage automatique peuvent être entraînés sur des ensembles de données massifs d’enregistrements EEG, leur permettant ainsi de reconnaître des schémas subtils indicatifs de diverses affections neurologiques.
Les modèles d’apprentissage profond, également appelés réseaux neuronaux, saisissent des relations complexes au sein de données compliquées. Les algorithmes de deep learning sont particulièrement habiles à traiter et analyser les relations temporelles et spatiales complexes des données EEG². Cette technique améliore encore la capacité de l’outil d’IA à découvrir rapidement des schémas subtils dans les enregistrements d’EEG et à effectuer des tâches d’interprétation plus rapidement.
L’apprentissage profond est la prochaine étape logique dans le renforcement du partenariat entre la neurologie et l’IA, allant au-delà de la détection des pointes et des crises d’épilepsie en utilisant les ressources du big data pour soutenir les applications avancées d’IA dans la reconnaissance des formes. Les neurologues ont noté le potentiel remarquable de l’apprentissage profond pour l’analyse de l’EEG, avec des études récentes utilisant le modèle SCORE-AI renforçant la précision et l’efficacité de la méthode. À terme, les outils d’IA combineront l’analyse automatisée de l’EEG avec la surveillance continue du cerveau,4, réduisant l’effort nécessaire aux neurologues pour diagnostiquer et traiter ces conditions critiques de temps avec précision.
Le terme « mégadonnées » désigne des ensembles de données extrêmement volumineux qui doivent être analysés par des moyens informatiques. Les trois propriétés déterminantes ou « 3 V » des mégadonnées sont le volume, la vélocité et la variété, qui font référence à la quantité de données, à la rapidité de traitement des données et aux différents types de données au sein d’un référentiel donné. En neurologie, des ensembles de données massives d’enregistrements EEG annotés ont déjà été rassemblés et validés par des organisations crédibles dans le monde entier, et de nouvelles données sont ajoutées continuellement.
Les mégadonnées pour l’EEG englobent un large éventail de conditions neurologiques, de modèles d’activité cérébrale et de réponses à des stimuli, offrant ainsi un vaste terrain d’apprentissage à l’IA pour identifier des modèles et des corrélations complexes qui pourraient prendre des heures aux humains pour les analyser et les interpréter. En apprenant à partir de vastes quantités d’enregistrements EEG annotés, les algorithmes d’IA peuvent identifier des subtilités et des anomalies indiquant des conditions telles que l’épilepsie, les troubles du sommeil et les lésions cérébrales qui peuvent passer inaperçues lors de l’utilisation de méthodes d’interprétation conventionnelles. Cela améliore considérablement les performances et l’efficacité des équipes de neurologie, en réduisant le temps consacré par les humains à des tâches répétitives et chronophages.
Comme toute autre technologie de dispositif médical, les outils d’IA ont déjà été soumis à des recherches et à un développement approfondis et sont soumis à des disciplines réglementaires. Les algorithmes d’IA sont rigoureusement testés sur des ensembles de données diversifiés5 pour valider leur précision et leur efficacité. À partir de là, les neurologues et les autres prestataires adhéreront à des protocoles qui prévoient des périodes appropriées d’utilisation parallèle, valident les résultats de l’outil et encouragent le développement des compétences.
Ces protocoles sont conçus pour garantir la sécurité des patients, protéger la vie privée et promouvoir l’intégration transparente et réussie des outils d’IA dans les opérations quotidiennes. Les professionnels de la santé continuent également de fournir de nouveaux protocoles pour l’adoption de l’IA, en identifiant les considérations clés pour l’adoption d’outils basés sur l’IA dans les pratiques cliniques6. Ces considérations couvrent divers thèmes, notamment les facteurs culturels, la validation des données et des algorithmes, la formation et l’éducation, et même le niveau actuel d’acceptation de l’IA au sein d’un fournisseur ou d’une pratique.
Une stratégie de mise en œuvre progressive doit être adoptée pour instaurer la confiance et la fiabilité dans la technologie, avec les outils d’IA soutenant initialement les neurologues dans des tâches spécifiques avant de s’étendre progressivement à des applications plus larges. Cette approche par étapes permet un affinement itératif basé sur l’expérience du monde réel, reflétant l’approche méticuleuse et centrée sur le patient qui définit l’innovation en matière de soins de santé.
La confiance s’installe davantage lorsque l’IA est vue comme une technologie de soutien qui amplifie les capacités humaines. Les neurologues possèdent une richesse d’expérience et d’expertise cliniques que l’IA n’a pas, et cette expertise est inestimable pour contextualiser les informations générées par l’IA. Diverses études et applications réelles illustrent la synergie entre les neurologues humains et l’IA. Cette approche collaborative peut considérablement rationaliser le processus d’interprétation, ce qui permet une analyse plus précise, un diagnostic plus rapide par le médecin et de meilleurs résultats pour le patient.
Les neurologues, épileptologues et autres experts en neurologie commencent à peine à comprendre comment les mégadonnées et l’IA peuvent être utilisées pour obtenir de meilleurs résultats en matière de santé à l’avenir. Par exemple, les chercheurs travaillent actuellement avec l’IA et les données EEG 7 pour aider les cliniciens à identifier l’activité épileptiforme sous-jacente potentielle chez les enfants présentant des comportements anormaux. En neurochirurgie, l’intégration multiforme de l’IA dans la neurologie souligne son potentiel pour remodeler les pratiques cliniques et les techniques neurochirurgicales.8
Dans le domaine des troubles épileptiques, l’apprentissage automatique peut prédire les résultats de la chirurgie de l’épilepsie avec une précision allant jusqu’à 90 %, tandis que la détection automatique des crises à l’aide de techniques d’IA améliore l’analyse de l’EEG du cuir chevelu. Le rôle de l’IA s’étend à la neuro-oncologie, où elle soutient le classement non invasif des gliomes grâce à l’analyse des données d’IRM. Et au sein de l’espace réservé aux troubles du développement intellectuel, les interfaces cerveau-machine pilotées par l’IA peuvent permettre aux personnes en situation de handicap d’interagir avec leur environnement à l’aide de signaux cérébraux.
L’IA est également utilisée pour prédire la nécessité de 9 de tomodensitogrammes dans les traumatismes crâniocérébraux légers pédiatriques, où la surutilisation de l’imagerie et des radiations peut poser des problèmes. Étant donné l’énorme quantité de données disponibles, les applications pour l’interprétation de l’EEG à l’aide des mégadonnées et de l’IA sont infinies.
Avec encore plus d’outils d’IA neurologique à l’horizon, le parcours depuis les premiers algorithmes d’apprentissage automatique jusqu’à la technologie sophistiquée alimentée par l’IA d’aujourd’hui a déjà ouvert la voie à une relation profonde de confiance et de coopération entre l’IA et la neurologie. À mesure que l’IA s’intègre davantage à la pratique quotidienne, les neurologues, les épileptologues et les équipes de neurodiagnostic peuvent porter leur travail à des niveaux encore plus élevés de précision et d’efficacité. L’utilisation de l’IA pour l’interprétation de l’EEG n’est pas seulement un progrès technologique, mais aussi un partenariat en évolution qui profitera de plus en plus au domaine de la neurologie.
SOURCES
1. “A Better Way to Onboard AI.” Harvard Business Review, 28 Apr. 2022, hbr.org/2020/07/a-better-way-to-onboard-ai
2. Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
3. JAMA Neurol. 2023;80(8):805-812. doi:10.1001/jamaneurol.2023.1645
4. Front. Hum. Neurosci., 12 March 2019 Sec. Brain Imaging and Stimulation. Volume 13 – 2019
5. Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
6. “Trustworthy Adoption of AI in Healthcare.” DNV, www.dnv.com/research/healthcare-programme/data-sharing.html. Accessed 24 Aug. 2023.
7. Donoghue, Dr. Jacob. “Transforming Epilepsy Clinical Trials with EEG and Machine Learning.” Drug Discovery and Development, 17 Mar. 2023,
8. Ganapathy Krishnan, Abdul Shabbir Syed, Nursetyo Aldilas Achmad “Artificial intelligence in neurosciences: A clinician’s perspective” Neurology India 2018, Volume 66, Issue Number 4, Page 934-939
9. “Top 4 Ai Use Cases in Neurology in 2023.” AIMultiple, research.aimultiple.com/neurology-ai/. Accessed 24 Aug. 2023.
