Les analyses de sang pourraient bientôt être interprétées avec une précision accrue grâce à l’intelligence artificielle. Une étude récente révèle qu’un modèle d’apprentissage profond, nourri par plus de 2 milliards de résultats d’examens, permettrait d’établir des intervalles de référence personnalisés, améliorant ainsi le diagnostic et le suivi des patients.
Traditionnellement, les résultats d’analyses sanguines sont comparés à des valeurs de référence standardisées, considérées comme la norme pour l’ensemble de la population. Or, des recherches antérieures ont montré que ces plages de référence générales peuvent être imprécises, car elles ne tiennent pas compte des variations individuelles liées à l’âge, au sexe, à l’origine ethnique, à l’état de santé ou encore à la prise de médicaments. Plus de la moitié des résultats d’examens de laboratoire s’écartent de ces normes lorsqu’on prend en compte ces facteurs personnels.
Pour pallier ce problème, des chercheurs israéliens du Weizmann Institute et du Tel Aviv Sourasky Medical Center ont analysé 2,1 milliards de données provenant des dossiers de santé électroniques de 2,8 millions d’adultes, portant sur 92 tests de laboratoire différents. Leur objectif était de développer des intervalles de référence plus précis, basés sur les caractéristiques spécifiques de chaque patient.
En utilisant des techniques d’apprentissage automatique, l’équipe a segmenté les patients en différents groupes en fonction de leur état de santé, de leurs traitements et de leurs antécédents médicaux. Cela a permis de créer un modèle capable de prédire les anomalies potentielles et d’identifier les risques de maladies futures avec une plus grande fiabilité. L’étude a démontré que ce modèle personnalisé pouvait notamment mieux identifier les patients prédiabétiques, avec un diagnostic possible deux ans plus tôt qu’avec les méthodes actuelles.
Les chercheurs ont également testé leur algorithme sur des cas d’anémie, en distinguant avec précision les patients présentant un risque élevé d’anémie microcytaire ou macrocytaire.
« Dans l’ère du big data et de l’analyse, il est presque inconcevable que nous continuions à utiliser des intervalles de référence ‘normaux’ qui manquent de données contextuelles et, potentiellement, de puissance statistique pour guider les cliniciens dans l’interprétation des résultats quantitatifs des laboratoires », souligne le Dr William Morice, responsable du service de médecine de laboratoire et de pathologie de la Mayo Clinic.
La Mayo Clinic utilise déjà une approche plus personnalisée des tests de laboratoire depuis 2015, grâce à un outil développé par le Dr Piero Rinaldo, un généticien médical de l’établissement : le Collaborative Laboratory Integrated Reports (CLIR). Ce logiciel, capable d’analyser plus de 1,9 million de résultats d’examens, intègre les résultats ajustés en fonction de différents facteurs pour aider les médecins à distinguer les faux positifs des anomalies réelles.
« Le CLIR est un logiciel prêt à l’emploi pour la création d’intervalles de référence collaboratifs de précision », explique le Dr Rinaldo. Il a déjà été utilisé pour améliorer le dépistage des nouveau-nés atteints d’hypothyroïdie congénitale.