Les modèles d'IA distinguent VSA d'ACS chez les patients japonais

L'angine vasospastique (VSA) est un type de douleur thoracique causée par un serrage temporaire des vaisseaux sanguins du cœur. Cette condition peut provoquer différents symptômes, pas juste des douleurs dans la poitrine. La VSA peut être déclenchée par des trucs comme le stress, le temps froid, ou le repos pendant la nuit. D'un autre côté, le Syndrome coronarien aigu (SCA) est souvent lié à d'autres problèmes cardiaques, surtout chez les gens qui ont des facteurs de risque comme le tabagisme ou le diabète. Le SCA cause généralement des douleurs thoraciques pendant l'activité physique.

Comme les deux conditions peuvent avoir des symptômes similaires, c'est pas facile pour les médecins de les distinguer rapidement. C'est super important parce que le SCA peut nécessiter un traitement immédiat. Pour déterminer si un patient a une VSA, les médecins peuvent utiliser un test spécifique qui peut être invasif et comporter certains risques. Du coup, il est nécessaire de trouver des moyens plus simples et non invasifs pour dépister la VSA.

Récemment, l'intelligence artificielle (IA) a montré son potentiel dans plein de domaines, y compris en médecine. Les nouveaux modèles d'IA ont bien performé dans les tests médicaux aux États-Unis et au Japon. Par contre, il n'y a pas eu beaucoup de recherches pour voir si ces outils d'IA peuvent vraiment distinguer les différentes maladies avec les informations des patients, surtout dans des langues autres que l'anglais.

Dans cette étude, les chercheurs ont regardé comment l'IA pouvait différencier la VSA du SCA en utilisant des détails de patients écrits en japonais. L'objectif était de voir à quel point les modèles pouvaient identifier ces conditions avec précision.

#Design de l'étude

Pour mener la recherche, l'équipe a sélectionné des cas de VSA et de SCA provenant d'études précédentes et d'autres sources. Ils ont choisi un total de 66 cas, comprenant 38 cas de VSA et 28 cas de SCA, pour tester les modèles d'IA. De plus, ils ont inclus dix autres cas pour aider les modèles à apprendre. Les informations recueillies comprenaient l'âge des patients, le sexe, les antécédents médicaux et les médicaments, mais pas les détails sur les dosages.

Les chercheurs ont utilisé deux modèles d'IA différents, GPT-3.5 et GPT-4. Ils ont aussi inclus un modèle d'IA de Google appelé Bard. Pour leur analyse, ils ont employé deux méthodes d'apprentissage. Dans l'apprentissage zéro-shot, ils ont testé les modèles sans exemples préalables, tandis que dans l'apprentissage few-shot, ils ont fourni quelques exemples pour guider leurs réponses.

L'équipe a créé des questions de test et a entré des cas de patients dans ces modèles d'IA pour voir s'ils pouvaient déterminer si les cas étaient de la VSA ou un autre type de maladie coronarienne.

#Évaluation de la performance de l'IA

Les chercheurs ont ensuite comparé les réponses des modèles d'IA avec les diagnostics corrects pour voir comment chaque modèle a performé. Ils ont calculé divers indicateurs de performance, y compris la précision, la sensibilité et la précision pour chaque modèle. Ils ont aussi comparé ces résultats à ceux de cardiologues et d'étudiants en médecine testés précédemment.

Pour leur évaluation, les chercheurs ont observé comment les modèles d'IA ont performé en ce qui concerne les cas où les cardiologues avaient montré une forte précision. Ils pensaient que ces cas contenaient suffisamment d'informations pour aider l'IA à distinguer entre VSA et SCA.

#Résultats de l'étude

Les résultats de performance de l'IA variaient selon le modèle. Pour le modèle GPT-3.5, en utilisant l'apprentissage zéro-shot, il a correctement identifié la condition avec une précision de 52%. En apprentissage few-shot, la précision est restée la même. Le modèle GPT-4 a montré une performance légèrement meilleure, atteignant une précision de 58% en apprentissage zéro-shot et 61% en apprentissage few-shot. Bard a le moins bien performé, avec une précision de seulement 47% en apprentissage zéro-shot.

En comparant les résultats des modèles d'IA à la performance des cardiologues, on a remarqué que GPT-4 performait souvent mieux lorsque les cardiologues avaient une bonne précision.

Dans l'analyse de suivi, en se concentrant sur les cas où les cardiologues avaient bien compris le diagnostic, la performance de GPT-4 s'est améliorée de manière significative. Dans ce cas, GPT-4 a atteint une précision de 76% avec l'apprentissage zéro-shot et 71% avec l'apprentissage few-shot. Cela a indiqué que GPT-4 était capable de distinguer efficacement entre VSA et SCA.

#Conclusions clés et implications

Les conclusions clés de l'étude soulignent que le modèle GPT-4, particulièrement avec l'apprentissage few-shot, a démontré la meilleure performance pour différencier la VSA du SCA. Malgré cela, il n'y avait pas de différence significative de performance entre les méthodes d'apprentissage zéro et few-shot. C'était surprenant, car les études précédentes suggéraient que fournir des exemples pouvait mener à une meilleure précision.

Un autre aspect notable était que les modèles d'IA ont atteint des niveaux de performance similaires à ceux des étudiants en médecine, mais n'ont pas tout à fait atteint la précision des cardiologues. Cela suggère que bien que l'IA puisse traiter et analyser des données, il y a encore de la place pour des améliorations, surtout en ce qui concerne l'entraînement des modèles et la qualité des données utilisées pour l'apprentissage.

Étant donné la quantité limitée de recherches sur le traitement des données médicales japonaises, cette étude pourrait ouvrir la voie à de futures études utilisant l'IA pour analyser des informations cliniques écrites dans d'autres langues que l'anglais. Avec des outils d'IA efficaces, il pourrait devenir plus facile de gérer des problèmes cardiaques comme la VSA, surtout dans les populations où de telles conditions sont plus courantes.

#Potentiel pour de futures recherches

Les résultats laissent aussi entrevoir la possibilité d'améliorer encore la précision des modèles d'IA en combinant différents types de données. Par exemple, incorporer des données numériques, comme les résultats de laboratoire ou des images médicales, en plus des données textuelles pourrait améliorer la capacité des modèles à reconnaître et à distinguer les différentes conditions.

De plus, l'étude reconnaît des limitations, comme le nombre restreint de cas et la qualité des données collectées. Bien que les données des résumés de conférence aient assuré la cohérence, il est nécessaire de rassembler une variété plus large de données de cas, y compris des patients décrits avec différents termes pour les mêmes conditions.

En se concentrant sur l'amélioration de la méthodologie et de la qualité des données, les futures recherches peuvent aider à rendre les modèles d'IA plus efficaces dans les environnements cliniques. Des efforts devraient également être faits pour s'assurer une collecte de données complète incluant divers synonymes et expressions pour les conditions médicales, ce qui renforcerait en fin de compte l'entraînement de ces modèles d'IA.

#Conclusion

En résumé, l'étude a utilisé avec succès des modèles d'IA avancés pour différencier l'angine vasospastique et le syndrome coronarien aigu en utilisant des informations sur les patients. Les résultats ont mis en évidence le potentiel de ces outils d'IA dans le diagnostic médical, spécifiquement en langue japonaise. En continuant à améliorer la technologie de l'IA et à élargir les données qu'elle peut traiter, l'avenir semble prometteur pour intégrer l'IA dans la pratique médicale quotidienne afin d'améliorer les résultats pour les patients.