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

Dans le paysage en rapide évolution de l’informatique de santé, l’IA s’est imposée comme une force essentielle pour aider les professionnels de la santé à devenir plus efficaces. 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 de l’IA a connu une forte croissance au cours de la dernière décennie.ⁱ

Les applications de l’IA en neurologie sont nombreuses, de la chirurgie robotique autonome à la prédiction des résultats des opérations d’épilepsie, en passant par l’autoclassification des images pour les neuro-oncologues.ⁱⁱ Pourtant, dans le domaine de l’IA neurologique, qui progresse rapidement, l’utilisation de l’IA pour l’interprétation de l’EEG constitue l’un des plus grands avantages.ⁱⁱⁱ 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 qu’au cours des quatre dernières décennies, l’apprentissage automatique ait été utilisé sous une forme ou une autre pour la classification EEG.^iv En identifiant rapidement les anomalies potentielles, les algorithmes traditionnels aident depuis longtemps les neurologues et les équipes de soins neurologiques à hiérarchiser les cas critiques, permettant ainsi des interventions plus rapides pour les 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.

Faire confiance à l’IA pour l’examen de l’EEG

Les algorithmes avancés d’aujourd’hui sont entraînés sur d’énormes ensembles de données validées, ce qui leur permet de reconnaître des anomalies subtiles dans les formes d’ondes EEG qui pourraient échapper à l’observation humaine. L’IA neurologique est particulièrement utile dans les scénarios de surveillance à long terme, lorsqu’il est essentiel d’identifier les tendances ou les changements au fil du temps.^v En signalant automatiquement les écarts par rapport aux schémas de base, les algorithmes permettent aux neurologues de traiter rapidement les affections neurologiques, même celles qui évoluent rapidement.^vi

En outre, les algorithmes d’apprentissage profond et les réseaux neuronaux correctement entraînés sur de grands ensembles de données bien annotés peuvent réduire considérablement le temps que les équipes de soins neurologiques consacrent à l’interprétation de l’EEG à la suite d’une surveillance à long terme (LTM), d’un EEG ambulatoire et d’un EEG de routine.

Plus précisément, les outils d’IA neurologique pour l’EEG devraient permettre de réduire le temps et d’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. Des revues 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 dans la reconnaissance de schémas complexes dans des ensembles de données vastes et complexes, identifiant des corrélations cachées dans les modèles de réseaux neuronaux que les méthodes traditionnelles d’interprétation de l’EEG manquent souvent.^vii

• Détection d’événements spécifiques. 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 efficace 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 la capacité d’extraire automatiquement les caractéristiques pertinentes des données EEG, les modèles d’apprentissage profond tels que les réseaux neuronaux convolutifs ou récurrents peuvent détecter plus rapidement et plus précisément les crises d’épilepsie, même dans les enregistrements bruyants ou complexes.^viii

• Surveillance à long terme. Les outils d’EEG basés sur l’IA sont de plus en plus précieux pour la surveillance à long terme (LTM), où de grands volumes de données sont générés pendant des heures ou des jours. Ces systèmes peuvent automatiquement identifier et classer par ordre de priorité les événements cliniquement pertinents, aidant ainsi les cliniciens à gérer les enregistrements prolongés de manière plus efficace et efficiente. En reconnaissant les schémas EEG individualisés qui sont en corrélation avec des conditions spécifiques ou des réponses au traitement, l’IA peut également soutenir des plans de soins plus personnalisés, adaptés au profil neurologique de chaque patient. Cela permet de s’assurer que les événements critiques ne sont pas manqués, même lorsque le personnel n’examine pas activement les données.

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 les tâches très complexes telles que l’analyse EEG, l’IA a le potentiel d’améliorer considérablement les résultats lorsqu’elle est utilisée pour augmenter et soutenir les capacités humaines. Une fois la confiance établie entre les équipes de soins neurologiques et la technologie de l’IA, ce partenariat débouche sur une approche synergique qui va bien au-delà de ce que l’une ou l’autre pourrait réaliser indépendamment. Par ailleurs, lorsque l’expertise humaine est rare, les outils d’IA peuvent réduire considérablement le temps nécessaire au diagnostic, améliorant ainsi l’accès aux soins neurologiques pour les communautés éloignées et mal desservies.

De nombreux outils d’IA continuent d’apprendre au fur et à mesure qu’ils reçoivent de nouvelles données, en utilisant le retour d’information humain pour affiner et accélérer les performances de l’algorithme. Dans le contexte d’autoSCORE, cependant, le modèle utilise un algorithme validé, sans apprentissage, qui reste cohérent dans le temps afin de garantir la fiabilité et la reproductibilité. L’immense valeur d’autoSCORE réside dans l’application d’un cadre cohérent et validé pour la détection automatique d’événements, que l’expert humain examine, valide et interprète ensuite. Cette répartition des rôles permet de gagner en efficacité et en cohérence sans compromettre la supervision ou le jugement clinique.

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. Au fur et à mesure de son évolution, l’IA façonnera l’avenir de l’interprétation et de l’analyse des EEG, en collaborant avec les cliniciens pour 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/

052214 RevC