Face à la multiplication des applications et sites web proposant d’aider à décrypter ses symptômes, il est devenu crucial de comprendre comment ces outils fonctionnent. Car derrière une apparente similarité, des technologies radicalement différentes sont à l’œuvre, avec des conséquences potentiellement importantes pour la fiabilité des diagnostics.
Ces « vérificateurs de symptômes », de plus en plus utilisés par les patients pour tenter d’identifier l’origine de leurs maux, reposent sur deux approches distinctes : les règles préétablies et l’apprentissage automatique (machine learning). La grande majorité des outils actuellement disponibles fonctionnent sur la base de règles, c’est-à-dire d’un ensemble de directives définies par leurs concepteurs.
Le principe est simple : établir une corrélation entre un symptôme et une maladie, en estimant la probabilité qu’un symptôme donné soit lié à une affection spécifique. Or, il existe très peu de données scientifiques publiées sur ces probabilités. Les développeurs doivent donc s’appuyer sur l’avis de panels de médecins, ce qui conduit inévitablement à des compromis et des estimations souvent imprécises. Cette imprécision se multiplie lorsque le patient présente plusieurs symptômes simultanément, augmentant considérablement le risque d’erreur.
Un système basé sur des règles tend à proposer un diagnostic unique, ou une liste restreinte classée par ordre de probabilité. Si cela peut sembler rassurant pour le patient, cette approche est potentiellement dangereuse, compte tenu du risque d’erreur. Prenons l’exemple d’une douleur au bras gauche : peut-être une simple tension musculaire, mais aussi, dans un cas plus grave, le signe avant-coureur d’une crise cardiaque.
La complexité de la tâche est immense. Pour une seule maladie, il peut être nécessaire de définir plus de 1 500 probabilités, en tenant compte de facteurs tels que l’âge, le sexe et la localisation géographique. Avec plus de 10 000 maladies connues, et une infinité de combinaisons possibles de symptômes, la création et la mise à jour de ces modèles s’avèrent extrêmement laborieuses. C’est pourquoi la plupart des vérificateurs de symptômes se limitent à quelques centaines de maladies courantes, soit seulement 5 à 10 % du nombre total.
L’apprentissage automatique représente une alternative plus prometteuse. Contrairement aux systèmes basés sur des règles, le développeur ne définit pas les règles, mais « entraîne » le système à reconnaître les schémas de manifestation des maladies. L’ordinateur calcule, établit et maintient ensuite les liens entre les symptômes et les maladies, en s’appuyant sur un volume croissant de connaissances.
Cette approche s’apparente à la formation d’un médecin : celui-ci apprend au fil des années à reconnaître les différentes manifestations des maladies, et constitue une base de données de connaissances à partir de son expérience. Lorsqu’il examine un patient, il compare les signes et les symptômes observés à cette base de données. Bien que cette méthode soit efficace dans 90 % des cas, elle repose sur la mémoire du médecin et sa capacité à rester objectif.
La qualité des données utilisées pour l’apprentissage est cruciale. Un système entraîné sur des données incomplètes ou erronées sera moins précis dans ses estimations. À ce jour, seul le vérificateur de symptômes Isabel utilise l’apprentissage automatique, et a été entraîné sur 6 000 maladies, en s’appuyant sur des informations scientifiques validées.
Comment distinguer un vérificateur de symptômes basé sur des règles d’un système utilisant l’apprentissage automatique ? Une question simple peut suffire : si l’outil commence par vous demander « quel est votre symptôme le plus important ? », il s’agit probablement d’un système basé sur des règles. Cette question, en apparence anodine, peut en réalité fausser votre description de l’état. De même, si vous saisissez les mêmes trois symptômes dans un ordre différent et obtenez des résultats significativement différents, c’est un signe révélateur.
Enfin, les systèmes basés sur des règles proposent souvent une fonctionnalité de triage, destinée à vous conseiller sur la marche à suivre. Cependant, ces conseils sont généralement liés à un diagnostic particulier, ce qui vous oblige à vous auto-diagnostiquer avant de recevoir une recommandation. Dans l’exemple de la douleur au bras gauche, choisir « tension musculaire » pourrait vous inciter à rester chez vous alors qu’une crise cardiaque est en cours.
Les systèmes d’apprentissage automatique, comme Isabel, sont plus simples d’utilisation : vous pouvez saisir tous vos symptômes en une seule fois, de manière conversationnelle. L’analyse ne prend qu’une minute environ, et Isabel fournit également des conseils de triage après avoir posé quelques questions clés. Ces conseils sont basés sur votre tableau clinique global, et non sur un diagnostic que vous auriez été contraint de sélectionner.
Choisir le bon vérificateur de symptômes n’est pas une mince affaire. Un examen rapide de la technologie sous-jacente peut vous aider à déterminer si vous allez recevoir des conseils fiables. Isabel est le seul outil également utilisé par les professionnels de santé, ce qui en fait un choix rassurant pour les patients.
À lire aussi
