Avantages d’efficacité de la technologie neuro AI pour l’EEG

Dans le contexte d’évolution rapide de l’informatique dans le domaine de la santé, l’IA est apparue comme une force centrale pour aider les professionnels de santé à devenir plus efficaces et performants. L’adoption de l’IA dans le secteur médical a varié selon la spécialité et l’application, certains domaines progressant plus rapidement que d’autres. Depuis de nombreuses années, la cardiologie, par exemple, utilise l’IA pour les tests d’ECG et d’imagerie afin de détecter plus facilement les anomalies cardiaques subtiles et de fournir des évaluations plus rapides. Il en va de même pour la radiologie et la mammographie, où l’utilisation de la technologie d’IA s’est intensifiée au cours de la dernière décennie.¹

Les applications de l’IA pour la neurologie sont nombreuses, allant de la chirurgie robotique autonome et de la prédiction des résultats de la chirurgie de l’épilepsie à l’autoclassification d’images pour les neuro-oncologues.² Cependant, dans le domaine de l’IA neurologique, qui progresse rapidement, l’un des plus grands avantages provient de l’utilisation de l’IA pour l’interprétation de l’EEG. À mesure que ces outils évoluent, passant d’algorithmes d’apprentissage automatique plus traditionnels à une technologie intégrant l’apprentissage profond, les neurologues, les épileptologues, les personnels de neurodiagnostic, et d’autres professionnels de la santé constatent une remarquable amélioration de l’efficacité, ce qui permet de réduire les coûts tout en améliorant les résultats en matière de santé.

Les enregistrements EEG génèrent de grandes quantités de données. Il n’est donc pas surprenant que, depuis une quarantaine d’années, l’apprentissage automatique ait été utilisé sous une forme ou une autre de classification EEG³. En identifiant rapidement les anomalies potentielles, les algorithmes traditionnels ont longtemps aidé les neurologues et les équipes de soins neurologiques à hiérarchiser les cas critiques, ce qui permet des interventions plus rapides auprès des patients souffrant de troubles neurologiques graves.

Il est extrêmement utile qu’un grand nombre d’enregistrements EEG validés existent déjà, ce qui offre aux outils d’IA de nombreuses informations pour apprendre. Les algorithmes avancés d’aujourd’hui sont entraînés sur d’énormes ensembles de données validées, ce qui permet aux outils de reconnaître des anomalies subtiles dans les formes d’ondes EEG qui pourraient échapper à l’observation humaine. L’IA neuronale est particulièrement précieuse dans les cas de surveillance à long terme, où l’identification des tendances ou des changements au fil du temps est essentielle.⁴ Par la détection automatique des écarts par rapport aux modèles de référence, les algorithmes garantissent que les neurologues peuvent rapidement traiter les conditions neurologiques, même celles qui évoluent rapidement. En outre, les algorithmes d’apprentissage profond et les réseaux neuronaux correctement entraînés sur de grands ensembles de données bien notés ont le potentiel de réduire considérablement le temps que les équipes de soins neurologiques consacrent à l’interprétation et à l’analyse de l’EEG.

Plus précisément, les outils d’IA pour l’EEG sont censés réduire le temps et accroître l’efficacité dans plusieurs domaines d’intérêt, notamment:

• Extraction des caractéristiques. Les signaux EEG sont complexes et contiennent de grandes quantités d’informations, ce qui fait de l’extraction des caractéristiques des signaux EEG un élément essentiel pour la réussite de l’apprentissage automatique, et plus particulièrement des algorithmes d’apprentissage profond. Les examens systématiques sur l’utilisation de l’IA pour le décodage neuronal des signaux EEG ont montré un potentiel énorme, car les algorithmes d’apprentissage profond excellent à reconnaître des schémas complexes dans de vastes ensembles de données, identifiant des corrélations cachées dans les modèles de réseaux neuronaux que les méthodes traditionnelles d’interprétation de l’EEG ratent souvent.⁵

• Détection d’évènement particulier. Parce qu’ils peuvent analyser de grandes quantités de données, reconnaître des schémas complexes et faire des prédictions précises, les algorithmes sont capables de reconnaître plus rapidement des événements spécifiques dans les enregistrements EEG que les méthodes traditionnelles. L’apprentissage profond s’est révélé très compétent pour détecter les crises d’épilepsie, par exemple en réduisant considérablement le temps consacré à l’examen des enregistrements EEG, qui peut prendre des heures, voire des jours, pour un seul sujet en crise. Grâce à leur capacité à extraire automatiquement les caractéristiques pertinentes des données EEG, les modèles d’apprentissage profond comme les réseaux neuronaux convolutifs ou récurrents peuvent détecter plus rapidement et plus précisément les événements épileptiques, même dans des enregistrements bruyants ou complexes.⁶
  

• Catégorisation des stades de sommeil. Les algorithmes d’IA sont entraînés sur des ensembles de données étiquetés contenant des enregistrements EEG correspondant à différents stades du sommeil, tels que le sommeil paradoxal (REM) et le sommeil lent (NREM). Les outils d’IA peuvent reconnaître des schémas spectraux et temporels uniques associés à chaque stade du sommeil ⁷. En analysant les caractéristiques de fréquence et d’amplitude des signaux EEG au fil du temps, ces algorithmes peuvent classer et suivre avec précision les transitions entre les stades du sommeil.

• Surveillance continue. Une étude réalisée en 2020 a démontré que la technologie de l’IA a le potentiel de fournir une surveillance en temps réel des données EEG, identifiant les changements subtils dans les schémas EEG qui pourraient indiquer le début d’événements critiques et envoyant des alertes immédiates aux équipes de soins neurologiques⁸. La détection précoce lors de la surveillance continue permet des interventions plus rapides et plus efficaces tout en minimisant les dommages potentiels pour le patient. Étant donné que les algorithmes d’IA peuvent identifier immédiatement des modèles d’EEG individualisés en corrélation avec des conditions spécifiques ou des réponses aux traitements, les cliniciens peuvent élaborer des plans de traitement encore plus personnalisés, adaptés au profil neurologique unique de chaque patient. Cela permet de s’assurer que les événements critiques ne passent pas inaperçus, même pendant les périodes où le personnel médical ne consulte pas activement les données. Pour les conditions nécessitant un suivi à long terme, les algorithmes d’IA peuvent suivre l’évolution des schémas d’EEG au fil du temps et fournir des informations sur la progression de la maladie. Cette analyse longitudinale aide à la planification et à l’ajustement du traitement.

Interaction collaborative entre les humains et l’IA

L’Institut Brookings définit le concept de collaboration homme-machine comme une relation composée de trois éléments : l’humain, la machine, et les interactions et interdépendances entre eux. Pour des tâches hautement complexes telles que l’analyse EEG, l’IA a le potentiel d’améliorer grandement les résultats lorsqu’elle est utilisée pour accroître et soutenir les capacités humaines. Une fois que la confiance est établie entre les équipes de soins neurologiques et la technologie de l’IA, ce partenariat entraîne une approche synergique qui va bien au-delà de ce que l’une ou l’autre pourrait accomplir indépendamment.⁹

La collaboration homme-machine nécessite également de se concentrer sur des boucles de rétroaction continues. L’IA continue d’apprendre à mesure qu’elle reçoit de nouvelles données, tandis que les retours humains aident à affiner et accélérer la performance de l’algorithme. Il en résulte une amélioration de la capacité à détecter des schémas nuancés et des événements en temps réel, une diminution du temps passé sur les tâches d’interprétation de l’EEG plus répétitives, et une augmentation des taux de précision. Lorsque l’expertise est faible, les outils d’IA peuvent réduire considérablement le temps de diagnostic, améliorant ainsi l’accès aux soins neurologiques pour les communautés éloignées et mal desservies.

L’intégration de l’IA à l’analyse EEG accélère les processus qui, traditionnellement, pouvaient prendre de nombreuses heures, augmentant ainsi considérablement l’efficacité des équipes de soins neurologiques. À l’avenir, les outils d’IA pour la neurologie offrent une immense promesse. Les avancées en apprentissage profond et en reconnaissance des schémas continueront d’affiner la détection des événements et aideront à identifier des anomalies encore plus subtiles dans des délais de plus en plus courts. À mesure que l’IA continue d’évoluer, la collaboration homme-machine façonnera l’avenir de l’interprétation et de l’analyse de l’EEG, créant une approche plus précise, plus efficace et plus centrée sur le patient en matière de soins de santé neurologiques.

SOURCES

1. Dobkin PL. Art of medicine, art as medicine, and art for medical education. Can Med Educ J. 2020 Dec 7;11(6):e172-e175. doi: 10.36834/cmej.70298. PMID: 33349773; PMCID: PMC7749674.
2. 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
3. Saeidi M, Karwowski W, Farahani FV, Fiok K, Taiar R, Hancock PA, Al-Juaid A. Neural Decoding of EEG Signals with Machine Learning: A Systematic Review. Brain Sci. 2021 Nov 18;11(11):1525. doi: 10.3390/brainsci11111525. PMID: 34827524; PMCID: PMC8615531.
4. Varatharajah Y, Berry B, Cimbalnik J, Kremen V, Van Gompel J, Stead M, Brinkmann B, Iyer R, Worrell G. Integrating artificial intelligence with real-time intracranial EEG monitoring to automate interictal identification of seizure onset zones in focal epilepsy. Neural Eng. 2018 Aug;15(4):046035. doi: 10.1088/1741-2552/aac960. Epub 2018 Jun 1. PMID: 29855436; PMCID: PMC6108188.
5. Deep learning-based electroencephalography analysis: a systematic review. Yannick Roy5,1, Hubert Banville5,2,3, Isabela Albuquerque4, Alexandre Gramfort2, Tiago H Falk4 and Jocelyn Faubert1. Published 14 August 2019 • © 2019 IOP Publishing Ltd. Journal of Neural Engineering, Volume 16, Number 5Citation Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
6. He C, Liu J, Zhu Y, Du W. Data Augmentation for Deep Neural Networks Model in EEG Classification Task: A Review. Front Hum Neurosci. 2021 Dec 17;15:765525. doi: 10.3389/fnhum.2021.765525. PMID: 34975434; PMCID: PMC8718399.
7. Djanian S, Bruun A, Nielsen TD. Sleep classification using Consumer Sleep Technologies and AI: A review of the current landscape. Sleep Med. 2022 Dec;100:390-403. doi: 10.1016/j.sleep.2022.09.004. Epub 2022 Sep 22. PMID: 36206600.
8. Kent Jessica, HealthITAnalytics. (2020, June 30). Artificial intelligence detects epileptic seizures in real time. https://healthitanalytics.com/news/artificial-intelligence-detects-epileptic-seizures-in-real-time
9.Resnick, D., & Wessel, D. (2021, February 18). Building Trust in human-machine teams. Brookings. https://www.brookings.edu/articles/building-trust-in-human-machine-teams/