Par Jonathan Woods
Cette affection porte plusieurs noms : syndrome post-COVID , COVID long et séquelles post-aiguës du SARS-CoV-2 . Elle constitue la rémanence douloureuse de la COVID-19, et plusieurs personnes ont eu la malchance d’en souffrir. Plus de la moitié des personnes ayant contracté la COVID-19 ont signalé au moins un symptôme persistant trois mois après l’infection. Selon l’Agence de la santé publique du Canada, les symptômes courants de la COVID longue comprennent la fatigue, l’essoufflement et les troubles de la mémoire, bien que « plus de 100 symptômes ou difficultés dans les activités quotidiennes » aient été rapportés. Pour certaines personnes, cette affection est invalidante et semble interminable. [1]
Le COVID long est encore mal compris. « Nous ignorons les causes de l’état post-COVID-19 », peut-on lire sur le site Web de l’agence de santé publique. « Il n’existe actuellement aucun moyen unique de diagnostiquer cet état » et « il n’existe actuellement aucun traitement. » [1]
L'IA peut-elle aider à accélérer la découverte des réponses ?
Les équipes Innovation industrielle et Ingénierie en intelligence artificielle de l'Institut Vector ont collaboré avec Roche Canada, Deloitte et TELUS pour explorer cette question. Leur projet : appliquer des techniques de traitement automatique du langage naturel (TALN) aux publications sur les médias sociaux de personnes atteintes de COVID long afin d'identifier d'éventuels schémas récurrents. Cela a nécessité la création d'un pipeline d'apprentissage machine et le test des capacités de différents modèles de TALN sur des témoignages directs provenant des médias sociaux. L'espoir est que ces schémas, s'ils sont identifiés, puissent révéler des indices sur le moment et la fréquence d'apparition des symptômes, ainsi que sur les zones où la maladie se concentre. Ces découvertes pourraient être partagées avec les cliniciens afin d'affiner leurs questions de recherche, de détecter les tendances précocement ou d'orienter les stratégies de traitement.
« Les patients se tournent souvent vers les médias sociaux pour exprimer leur vécu de la maladie », peut-on lire dans l’article de recherche intitulé « L’utilisation des médias sociaux dans le secteur de la santé » , qui analyse comment les patients utilisent les médias sociaux. Le soutien informationnel, émotionnel et moral offert sur les médias sociaux « contribue généralement à l’autonomisation des patients », poursuit l’article. [2] Cela encourage le partage et peut faire des réseaux sociaux une ressource précieuse pour les chercheurs, à condition toutefois qu’ils soient capables de filtrer efficacement le flot de publications quotidiennes et d’identifier celles qui contiennent des termes pertinents.
Même pour les modèles d'apprentissage automatique avancés, c'est un défi.
Elham Dolatabadi, chercheuse en apprentissage automatique appliqué à l'Institut Vector et responsable technique du projet, explique : « L'extraction des données médicales des médias sociaux est complexe en raison de la nature non structurée du contenu, souvent brouillon, informel et bref. Sans compter que la complexité du vocabulaire médical entraîne parfois des fautes d'orthographe. Les publications des utilisateurs sont loin d'être uniformes, et leur brièveté ainsi que leur manque de structure (notamment l'utilisation d'argot et les variations de ton) rendent difficile l'identification, l'extraction et la classification des témoignages de personnes atteintes de COVID long.
Pour relever ces défis, l'équipe a développé un pipeline d'apprentissage automatique (ML) personnalisé, conçu spécifiquement pour trouver, organiser et afficher les termes longs liés à la COVID-19 qui seraient autrement noyés dans une masse de publications sur les médias sociaux. Ce pipeline organise le processus de bout en bout, intégrant la collecte et le filtrage des données, l'entraînement de différents modèles pour extraire et classer les termes clés des publications, et la visualisation des résultats sur des tableaux de bord, dans un processus unique et parfaitement adapté à cette tâche.
La première étape du développement du pipeline a consisté à créer des ensembles de données à partir de publications Twitter et Reddit. Grâce à l'interface de programmation (API) de Twitter, l'équipe a recherché des tweets contenant des hashtags pertinents , tels que #longcovid , #postcovidsyndrome et #covidlonghauler , ainsi que des termes similaires sans hashtag. Une fois les données recueillies, elles ont été filtrées afin d'identifier les comptes publiés par des personnes souffrant de symptômes persistants du Covid long. Ce processus a également nécessité le retrait des publications contenant des titres de nouvelles ou des noms de produits. Les tweets restants ont été anonymisés : toutes les informations personnelles concernant l'auteur ont été supprimées (à l'exception des horodatages, des informations géographiques et des descriptions générales du profil utilisateur).
Figure 1. L'équipe a construit un pipeline ML personnalisé pour recueillir, filtrer, analyser et visualiser les informations sur le COVID long recueillies à partir des publications sur les médias sociaux.
Disposant d'ensembles de données, l'équipe a testé un ensemble de modèles spécialisés, entraînés à une technique de traitement automatique du langage naturel (TALN) appelée reconnaissance d'entités nommées (NER). La NER identifie des entités spécifiques (personnes, lieux, objets, etc.) dans un texte, puis les classe dans des catégories prédéfinies. Ces expériences visaient à déterminer si des modèles, entraînés spécifiquement à extraire des termes médicaux, pouvaient identifier le langage désignant un symptôme, un test ou un traitement lié à la COVID longue, et le classer correctement. La figure 2 illustre ce processus sur deux exemples de tweets.
Figure 2. Parmi les modèles explorés par l'équipe figurait Stanza, un modèle de reconnaissance d'entités nommées (NER) créé par Stanford. Entraîné dans un corpus de textes biomédicaux et cliniques, Stanza permet d'identifier les symptômes ou les traitements dans les publications sur les médias sociaux, puis de les extraire, de les classer et de les normaliser. À noter que les exemples sont créés de manière synthétique.
L'un des modèles testés par l'équipe était UmlsBERT , un modèle déjà formé sur un vaste corpus de métathésaurus clinique (métathésaurus UMLS). Une partie de l'expérience consistait à peaufiner ce modèle sur un ensemble de données cliniques fourni par le National Center for Biomedical Computing (NCBC), connu sous le nom d'i2b2, et à augmenter les données afin de permettre une extraction d'entités plus fine. En utilisant les ensembles de données MetaMapLite d'UMLS et AMIA Task3, l'équipe a amélioré l'extraction d'entités pour pouvoir identifier même des termes familiers et informels, comme « brouillard cérébral » et « extrême fatigue ».
Après une série d'expériences, les résultats préliminaires ont montré que des tendances liées à la fréquence des symptômes, à leur cooccurrence et à leur évolution dans le temps pouvaient être détectées et visualisées avec succès. Les chercheurs réussissent donc à détecter des signaux malgré le bruit ambiant des médias sociaux.
Figure 3. La fréquence d'apparition des cinq (5) principaux symptômes au fil du temps en utilisant le modèle Stanza et les données Twitter avec un filtre COVID spécifique et une normalisation.
Une fois l'efficacité du processus confirmée pour l'extraction d'entités liées à la COVID-19 à partir des médias sociaux, la prochaine étape consiste à collaborer avec des chercheurs et des cliniciens pour interpréter ces tendances et déterminer les pistes de recherche prometteuses qu'elles peuvent révéler.
« Cette approche nous permet d’offrir aux cliniciens une meilleure compréhension du problème et de détecter précocement des signaux qui les aideront à planifier leurs études cliniques, leurs traitements, leurs thérapies, etc. », explique Sedef Akinli Kocak, gestionnaire de projet chez Vector. « C'est un excellent exemple de collaboration entre les chercheurs, les experts du domaine et les entreprises désireuses de contribuer à la lutte contre la COVID-19. »
Les entreprises participantes, les experts médicaux et les doctorants de diverses institutions canadiennes méritent une mention spéciale. Tout au long du projet, Roche Canada, Deloitte, TELUS et les doctorants ont apporté leur expertise clinique et en apprentissage machine, permettant ainsi le bon fonctionnement du processus. Parmi les contributions clés de ces entreprises commanditaires du projet Vector et des doctorants, on peut citer la conception originale du projet ; l’analyse de la littérature clinique sur les symptômes persistants de la COVID-19 ; la collecte, le nettoyage et l'annotation des données ; la mise en œuvre des filtres ; la normalisation ; modélisation NER ; l'ingénierie de la visualisation ; et l'interprétation des résultats.
La valeur de ces contributions se prolongera bien au-delà de cette pandémie. Les chercheurs disposent désormais d'un outil et d'une méthode leur permettant de faire des médias sociaux une ressource essentielle pour comprendre d'autres événements de santé publique, tels que les nouvelles maladies infectieuses émergentes, les maladies rares ou les effets des rappels de vaccination sur l'infection dans différentes régions et à différents moments.
Pour l'instant, l'attention demeure toutefois portée sur les personnes atteintes d'un COVID long. On espère que cette nouvelle capacité permettra aux chercheurs et aux cliniciens de se rapprocher de la résolution des mystères de la COVID longue et contribuera à soulager les souffrances de ceux qui en subissent les effets.
Un article technique relatif au projet a été accepté pour présentation au 6e atelier international sur l'intelligence en santé lors de la conférence AAAI 2022. Un rapport complet du projet, incluant ses résultats, sera publié au début de 2022. Pour l'instant, le projet se poursuit.
Références :
[2] Smailhodzic, Edin, et al. « L’utilisation des médias sociaux dans les soins de santé : un examen systématique des effets sur les patients et sur leur relation avec les professionnels de la santé. » Recherche sur les services de santé BMC 16.1 (2016) : 1-14. LIEN : https://
