Les initiatives de recherche sur les vecteurs ont un impact remarquable dans le domaine de la santé publique et de la lutte contre les maladies.
Par Natasha Ali
Un nouvel article propose un modèle novateur de traitement automatique du langage naturel (TALN) pour la détection et le suivi des maladies infectieuses. Coécrit par Shaina Raza, chercheuse en apprentissage automatique appliqué chez Vector, cet article, intitulé « Construction d'une base de données sur les maladies et utilisation du traitement automatique du langage naturel pour la capture et la standardisation d'informations cliniques textuelles », s'appuie sur les connaissances relatives à la COVID-19 et propose une approche TALN pour accélérer l'obtention d'informations sur les maladies à partir de sources en ligne et produire une base de données structurée à des fins cliniques.
Pourquoi est-il difficile de bâtir des bases de données sur les maladies ?
Grâce à sa vaste expérience de travail avec des épidémiologistes, des experts en santé publique et des chercheurs médicaux pendant la pandémie de COVID-19, Raza a constaté un décalage critique entre le rythme de la recherche clinique et de l'analyse des données et le taux de mutation virale et de propagation de la maladie.
« Tout allait si vite [surtout avec les nouvelles variantes de la COVID] », explique Raza, qui travaille à l'interface entre l'IA et la santé publique. « La recherche était, selon moi, un peu à la traîne. »
L'accès rapide à l'information sanitaire est crucial pour maîtriser les épidémies de grande ampleur. Les cliniciens, les épidémiologistes et les experts en santé publique s'appuient sur des ensembles de données sélectionnés provenant des médias sociaux, des dossiers médicaux électroniques et des résultats de recherches antérieures pour orienter les stratégies d'intervention et de traitement des maladies.
Ce processus rigoureux d'analyse de données est généralement mené par des services spécialisés en santé et en maladies infectieuses. En examinant des sources en ligne et des études scientifiques, les analystes peuvent identifier les informations pertinentes sur les maladies et constituer des bases de données cliniques destinées aux professionnels de la santé.
Cependant, la collecte de statistiques sur des maladies de grande ampleur, comme la COVID-19, se heurte à des difficultés. Ces maladies évoluent constamment et leurs effets varient d'un patient à l'autre. La gestion des bases de données cliniques, un élément essentiel de la lutte contre ces maladies, doit être une priorité, mais l'absence de systèmes de structuration efficaces peut freiner le processus.
Pour accélérer cette étape intermédiaire dans les situations urgentes, les recherches de Raza proposent un modèle NLP élaboré capable d'interpréter du texte libre provenant de sources en ligne telles que des blogues, des publications sur les médias sociaux, des forums publics et des notes médicales, et de convertir des données non structurées en bases de données prêtes pour une utilisation clinique.
Quelle méthodologie a été utilisée pour la formation et l'évaluation du modèle NLP ?
Après avoir examiné en détail des rapports de cas médicaux, des publications scientifiques et des blogues, Raza, dont les travaux portent généralement sur l'application de l'IA et de l'apprentissage automatique à l'évaluation de l'apparition des maladies et au développement d'initiatives de santé publique, a constitué un ensemble de données préliminaire d'informations non structurées. Une étape d'annotation était nécessaire pour étiqueter les entités de cet ensemble de données, jetant ainsi les bases de l'entraînement du modèle.
Le cadre de traitement automatique du langage naturel (TALN) étendu comprenait un modèle de reconnaissance d'entités nommées : un modèle multicouche basé sur l'architecture Transformer qui entraîne des réseaux neuronaux profonds sur des ensembles de données annotées, incluant les symptômes, les informations sur les médicaments, les déterminants sociaux de la santé, les facteurs de risque et les dépendances liées à la maladie. Grâce à un modèle d'extraction de relations, l'algorithme de TALN a pu déduire les liens entre les entités correspondantes et les organiser sous forme de tableaux à partir d'identifiants cliniques et non cliniques.
Une méthode d'évaluation en deux phases a ensuite été mise en œuvre : le modèle proposé a été évalué par rapport aux méthodes existantes de détection et de surveillance des maladies, et un évaluateur humain a été déployé pour confirmer la validité du cadre NLP dans son ensemble.
Qu'est-ce qui rend cette recherche unique en son genre ?
La nouveauté de cette étude réside dans l'utilisation de rapports de patients et d'études de cas pour évaluer des facteurs non cliniques tels que l'âge, le sexe, la race, l'emplacement géographique, le statut économique et d'autres déterminants sociaux de la santé susceptibles d'influencer l'apparition de la maladie et la reconnaissance des symptômes.
Grâce à la mise en œuvre d'une stratégie adaptative de traitement automatique du langage naturel (TALN) permettant de générer un ensemble de données structurées, les professionnels de la santé peuvent extraire des renseignements clés sur les facteurs de risque et les options thérapeutiques au fur et à mesure de l'évolution de la maladie. L'intégration d'éléments d'évaluation non cliniques, tels que les déterminants sociaux de la santé, renforce la précision du cadre d'analyse pour identifier les tendances et prédire les résultats médicaux.
Cela ne signifie pas pour autant que le modèle NLP remplacera les analystes de données ou supprimera des emplois, ni qu'il supplantera les efforts en cours dans le secteur de la santé publique ; cette méthodologie NLP vise uniquement à améliorer la surveillance des pandémies et à atténuer la propagation des maladies lors d'urgences de santé publique.
« Mon objectif n’est pas de remplacer les services de données », explique-t-elle. « Mon objectif est de tirer parti de l’IA [pour automatiser l’étape de conservation des données] parce qu’il s’agit d’un aspect essentiel de la vie des gens. »
Elle souligne toutefois que cette technologie présente un inconvénient : le risque d’erreurs machine et d’erreurs dans la liaison des données, ce qui impose une vérification humaine constante. « Un contrôle de qualité humain doit toujours être mis en place, car il arrive que le modèle d’IA ne détecte pas correctement certains problèmes. »
Quel est l'avenir de l'IA dans l'analyse des données cliniques ?
Évoquant les utilisations potentielles du modèle NLP pour d'autres maladies, Raza estime qu'en procédant à des mises à jour périodiques des algorithmes d'apprentissage machine, le cadre pourrait être adapté à l'étude d'autres affections et de futures épidémies.
« En termes de généralisation, cet ensemble de données a été spécifiquement conçu pour la COVID-19 et le COVID long. Toutefois, ce cadre peut être utilisé pour d’autres maladies, mais les données doivent être reconstituées », explique-t-elle. « Si quelqu'un veut mener des recherches sur le cancer, le diabète ou l'hépatite, il devra trouver les données propres à ces maladies. »
Encore au stade expérimental, ce nouveau cadre de traitement automatique du langage naturel (TALN) pourrait, selon Raza, être déployé dans les hôpitaux et les organismes de santé publique afin de consolider l'analyse des bases de données et la surveillance des maladies. Toutefois, explique-t-elle, le principal obstacle réside dans la mobilisation des ressources informatiques suffisantes, du soutien multidisciplinaire et du soutien nécessaire à l'entraînement des algorithmes de TALN, ainsi que dans le recrutement d'experts en apprentissage automatique dans le secteur de la santé.
« Ce n’est pas une mince affaire », ajoute-t-elle. « Si, par exemple, une organisation veut le déployer, elle aura besoin d’un environnement de formation et d’un environnement de déploiement. Mais un plan est bel et bien prévu. »
