Introduction

L’intelligence artificielle

L’intelligence artificielle (IA) fait référence à l’ensemble des systèmes informatiques ayant la capacité à effectuer des tâches qui requièrent habituellement l’intelligence humaine, telles que l’apprentissage, le raisonnement ou la prise de décision. L’émergence de l’IA a marqué un tournant au cours des dernières années dans de nombreux domaines, dont la médecine et la recherche scientifique (1). De multiples applications de l’IA ont vu le jour en médecine, que ce soit pour le diagnostic, l’évaluation et le suivi des patients. Certaines spécialités médicales, comme la radiologie ou l’oncologie, utilisent déjà l’IA dans leur pratique quotidienne, permettant ainsi aux cliniciens de réaliser plus efficacement certaines tâches (2, 3).

L’intelligence artificielle en rhumatologie

La rhumatologie est une discipline dans laquelle l’utilisation de l’IA est encore discrète dans la pratique quotidienne. La recherche « Artificial Intelligence AND Rheumatology » sur Pubmed met en évidence 1 229 résultats, avec un pic de 346 publications au cours de l’année 2024, soit une hausse de 63 % par rapport à 2023. Un certain nombre d’études ont été menées dans différents domaines de la rhumatologie, que ce soit dans l’ostéoporose (détection de fractures, prédiction du risque) ou dans les rhumatismes inflammatoires chroniques (RIC) pour la sélection de profils de patients à risque et la prédiction du risque de progression structurale. 

 

Applications globales de l’IA 

Principes

L’IA repose sur des techniques permettant aux machines d’apprendre à partir des données, sans être explicitement programmées. 

Les deux concepts centraux

Deux concepts centraux caractérisent ces technologies : l’apprentissage automatique (machine learning) et l’apprentissage profond (deep learning). 

• L’apprentissage automatique désigne les méthodes par lesquelles les algorithmes apprennent à partir de données pour effectuer des tâches prédictives ou de classification. 

• L’apprentissage profond, une sous-catégorie de l’apprentissage automatique, utilise des réseaux neuronaux artificiels multicouches pour analyser de grands volumes de données et extraire des caractéristiques complexes. Le deep learning est particulièrement utile pour le traitement d’images médicales ou la reconnaissance vocale (Fig. 1). 

Les trois approches principales d’apprentissage 

On distingue trois approches principales d’apprentissage : 

• l’apprentissage supervisé, qui utilise des données étiquetées pour entraîner les algorithmes, 

• l’apprentissage non supervisé, qui cherche des structures ou des relations au sein de données non étiquetées,

• l’apprentissage par renforcement, où les modèles apprennent par essais et erreurs en maximisant des récompenses. 

Les deux grandes branches

Ces méthodes alimentent deux grandes branches de l’IA que sont l’IA discriminative et l’IA générative (4) (Fig. 1). Ces deux approches ne sont pas exclusives et peuvent se combiner entre elles. 

• L’IA discriminative se concentre sur l’identification ou la classification en analysant les relations entre les entrées (les données) et les sorties pour prédire ou catégoriser des informations. 

• L’IA générative est, quant à elle, conçue pour créer ou générer de nouvelles données en s’appuyant sur celles existantes (par exemple, les modèles de langage comme GPT).

Applications en clinique et en recherche

L’IA est en pleine expansion dans la prise en charge diagnostique, pronostique et thérapeutique des maladies rhumatologiques et des atteintes musculosquelettiques (5, 6). 

Aide au diagnostic 

Aider au diagnostic

L’analyse automatisée des images médicales et l’exploitation des données cliniques permettent une aide diagnostique. Les réseaux neuronaux convolutifs (CNN) sont particulièrement utiles pour détecter et classer des anomalies en imagerie (radiographie, scanner ou IRM), avec une précision identique, voire supérieure, à celle de l’humain. 

• Parmi les nombreuses publications dans la polyarthrite rhumatoïde (PR), Murakami et al. ont développé un modèle par CNN atteignant une sensibilité de 80,5 % et une spécificité de 99 % dans l’identification des érosions sur des radiographies de mains (7). 

• Dans une étude sur la gonarthrose, les auteurs ont développé une méthode automatique pour prédire les scores de Kellgren et Lawrence (KL) et d’OARSI à partir de radiographies du genou, avec des résultats prometteurs (coefficient kappa de Cohen de 0,82 pour le score KL et une aire sous la courbe ROC de 0,98) (8). 

• Dans l’ostéoporose, une méta-analyse a comparé les performances diagnostiques de l’IA et des cliniciens dans la détection des fractures (42 études, 55 061 ima-ges), montrant une sensibilité et une spécificité de l’IA comparables à celles des cliniciens, tant pour les radiographies que pour les scanners (9). 

Accélérer le diagnostic

Des méthodes automatisées fondées sur l’IA permettent d’accélérer le diagnostic, par exemple en visant à quantifier les signaux inflammatoires en IRM dans la PR. 

• Un modèle d’IA, entraîné sur 27 phases d’IRM, a montré une forte corrélation avec les évaluations manuelles, avec une performance optimale atteinte en seulement 15 phases (temps d’acquisition de 2,5 minutes). Cette approche a permis une détection précise de la synovite tout en réduisant considérablement le temps d’examen (10). 

Établir des diagnostics différentiels

L’IA permet également d’établir des diagnostics différentiels en intégrant des données cliniques et biologiques complexes. 

• Par exemple, une étude s’est penchée sur l’aide de l’IA dans la distinction entre lupus érythémateux systémique et la maladie de Sjögren à partir de données génétiques et de méthylation, en mettant en évidence des biomarqueurs qui optimisent la classification (11). 

• Vera Cruz et al. se sont intéressés quant à eux à l’application de l’IA (forêts aléatoires et régression logistique) pour évaluer l’influence de 20 variables psychologiques et sociales sur la prédiction de deux classes de maladies rhumatismales (inflammatoires versus fibromyalgie). Sur cette thématique, les résultats ne sont pas pour l’instant plus discriminants qu’un interrogatoire classique (12). 

Pronostic et suivi des pathologies

L’IA permet une aide dans le pronostic et le suivi des pathologies rhumatologiques. 

Anticiper la progression

Des modèles de machine learning permettent d’anticiper la progression de la PR en intégrant des biomarqueurs sériques, des paramètres cliniques et des données d’imagerie (13). Ces outils sont capables d’identifier les patients à risque d’évolution rapide, permettant une adaptation précoce des stratégies thérapeutiques et une personnalisation des traitements. 

Suivre les lésions

L’IA peut aussi être utilisée pour le suivi des lésions articulaires (érosions, pincements) via l’analyse d’imageries médicales. Les CNN appliqués à l’IRM et aux radiographies permettent de détecter des changements subtils dans l’érosion osseuse ou l’inflammation synoviale (5). 

Estimer le risque

Dans le domaine de l’ostéoporose, des modèles prédictifs fondés sur la densitométrie osseuse sont désormais capables d’estimer le risque fracturaire avec plus de précision que les scores cliniques classiques, comme l’ont démontré Kothari et al. (14). 

Suivre les patients

Le suivi des patients peut être optimisé via l’utilisation de trackers d’activité connectés et associés à l’IA, comme le suivi de l’activité physique des patients atteints de maladies rhumatismales (17). L’étude ActConnect a démontré leur efficacité pour détecter les poussées inflammatoires chez les patients atteints de RIC (18). Nous pouvons citer une étude ayant développé un modèle prédictif d’IA performant, utilisant la méthode XGBoost, dans l’objectif d’anticiper les risques de rechute rénale chez des patients atteints de néphrite lupique en rémission (19). 

Éducation thérapeutique des patients

L’intégration de l’IA favorise l’autogestion des patients grâce à des chatbots et à des applications mobiles qui offrent des informations personnalisées et un suivi en temps réel des symptômes (20). Des robots éducatifs, tels que ceux du projet ROB’EDUC, robots humanoïdes intervenant au lit des patients hospitalisés pour une poussée d’insuffisance cardiaque, dispensent des programmes thérapeutiques adaptés aux patients hospitalisés (21).

 

Applications dans la recherche ou l’enseignement

Optimisation des essais cliniques

L’IA est également une assistance dans la conception et la réalisation des essais cliniques, par exemple pour stratifier les patients en groupes homogènes selon leur profil clinique et génétique. Face aux défis spécifiques posés par les interventions impliquant l’IA, des recommandations spécifiques ont été rédigées (SPIRIT-AI et CONSORT-AI), afin d’encadrer la mise en œuvre des essais cliniques (22, 23). Elles introduisent de nouveaux critères, tels que la description détaillée de l’intervention d’IA, les compétences nécessaires à son utilisation, la gestion des données d’entrée et de sortie, ainsi que l’analyse des erreurs. Les objectifs étant de garantir la transparence, de faciliter l’évaluation critique et de limiter les risques de biais dans les essais cliniques. 

Synthèse et gestion des données scientifiques

L’IA facilite la synthèse automatisée de la littérature scientifique, aidant les médecins à traiter rapidement un volume croissant de publications. S’il était encore possible, il y a une dizaine d’années, de se tenir à jour des publications, on sait maintenant qu’il faudrait consacrer 40 ans à temps plein si nous voulions lire l’ensemble des articles médicaux publiés en 2024 !
Autant dire, mission impossible. Il existe actuellement un certain nombre d’outils permettant de réaliser des synthèses automatisées de littérature scientifique, avec possiblement des suggestions d’articles en rapport. Certains algorithmes avancés permettent même d’effectuer automatiquement des méta-analyses en extrayant des résultats quantitatifs (par exemple des tailles d’effet, des intervalles de confiance) directement des publications. 

Enseignement et formation

Les générateurs d’images fondés sur l’IA produisent des cas interactifs enrichissant la formation des professionnels de santé. Certaines plateformes proposent des simulateurs de patients virtuels pour créer des scénarios cliniques réalistes et s’entraîner en conditions simulées (24). L’IA est une aide précieuse dans la conception des supports de présentations (cours, congrès, illustrations d’articles scientifiques) avec divers choix de design. 

 

Limites et précautions dans l’utilisation de l’IA

L’utilisation de l’IA en médecine n’est pas sans risque, et il existe des limites à connaître et à prendre en considération (Fig. 2).

Problèmes techniques et biais

Biais dans les bases de données d’entraînement

L’un des défis majeurs dans l’utilisation de l’IA en rhumatologie est la présence de biais dans les bases de données d’entraînement. En effet, plusieurs études ont montré que les modèles peuvent être biaisés par une surreprésentation de certains profils de patients. Les bases de données utilisées en rhumatologie ou dans d’autres spécialités contiennent souvent des déséquilibres démographiques, notamment une surreprésentation des patients d’origine européenne (5). 

Fiabilité dans les cas atypiques ou non standardisés

Les problèmes de fiabilité des modèles d’IA sont également préoccupants dans des cas atypiques ou non standardisés. L’une des difficultés rencontrées par les modèles de deep learning réside dans l’interprétation des images médicales inhabituelles ou présentant des artefacts non représentés dans les données d’entraînement (25, 26). La complexité des techniques de deep learning engendre parfois une opacité, souvent qualifiée de “boîte noire”, qui rend difficile l’interprétation des décisions par les professionnels de santé.

Fiabilité dans la recherche bibliographique

Enfin, il existe une franche limite de l’utilisation de l’IA dans la recherche bibliographique à l’heure actuelle avec un manque de fiabilité. Les réponses des IA lors de l’analyse de la littérature par les différents outils se fondent à la fois sur des abstracts et sur des articles disponibles en open access, et l’absence de distinction des deux ne permet pas une analyse rigoureuse. La recherche de liens et d’articles se fait essentiellement par rapport aux articles cités par l’article source. 

Considérations éthiques

Les considérations éthiques restent un enjeu central de l’intégration de l’IA en médecine. La protection des données médicales sensibles est une préoccupation majeure. Les données utilisées pour entraîner les algorithmes doivent être rigoureusement anonymisées afin de respecter les normes de confidentialité, selon les recommandations éthiques en vigueur sur les données de santé. L’utilisation des dossiers médicaux électroniques (DME), source presque infinie de recherche, soulève des risques d’atteinte à la vie privée, malgré les avantages offerts en termes de prédiction de l’évolution des maladies ou de diagnostic anticipé. On peut citer une étude qui a développé un modèle d’apprentissage automatique à partir de DME longitudinaux de 161 584 patients, afin d’identifier les individus nécessitant une évaluation rhumatologique. Le modèle a montré de hautes performances prédictives, détectant des besoins en tests d’auto-anticorps et en consultations spécialisées jusqu’à 5 ans avant la date de diagnostic, surpassant les standards cliniques actuels et offrant une approche prometteuse pour systématiser et accélérer le dépistage des maladies auto-immunes (27). Se pose ici la question du caractère interventionnel et invasif (ressources, coûts) si l’on venait à déployer ce type d’outils sur les données patient du DME. 

Impact écologique

L’impact environnemental des technologies d’IA est plutôt ambivalent. S’il est indéniable que l’IA a des effets positifs (contribution dans la lutte contre le changement climatique, optimisation des réseaux énergétiques, développement d’infrastructures à faible émission), ses aspects négatifs sont également une source croissante de préoccupations (28). En effet, les modèles de deep learning génèrent d’importants taux d’émission de CO₂. Cette empreinte énergétique provient essentiellement de la consommation énergétique massive des centres de données, notamment ceux utilisant des CNN ou des transformateurs (4). 

Par conséquent, il devient nécessaire de développer des modèles d’IA plus durables et optimisés pour réduire leur consommation énergétique. L’utilisation de techniques d’apprentissage fédéré et de modèles allégés pourrait limiter cet impact tout en conservant une efficacité élevée. 

Un changement de pratique nécessaire

L’utilisation de l’IA dans la pratique rhumatologique impose un changement d’habitudes dans le raisonnement. En cas de sollicitation de l’IA pour évoquer des hypothèses diagnostiques, il faut être particulièrement exhaustif et s’attacher à la qualité du prompt en énumérant l’ensemble des paramètres anamnestiques, cliniques et résultats complémentaires. Cette méthodologie diffère du raisonnement hypothético-déductif que nous utilisons en pratique courante. Il faut garder en tête que pour obtenir des réponses fiables (prenons l’exemple de Chat-GPT), il faut savoir rédiger un prompt de qualité, sans omettre les éléments importants et cela prend du temps. Le clinicien doit être également capable de critiquer les résultats proposés, ce qui peut se révéler plus difficile en début de formation. 

 

Applications pratiques pour les rhumatologues : la boîte à outils !

Les rhumatologues bénéficient d’une panoplie d’outils assistés par l’IA pour améliorer leur pratique clinique, leurs apprentissages, les missions d’enseignement ou encore les tâches administratives (Fig. 3). Si ChatGPT est bien connu de tous, il existe bon nombre d’autres outils qui méritent d’être connus et utilisés. 

Tâches administratives

Les tâches administratives prennent un temps non négligeable dans les activités quotidiennes, et ce, que l’on soit interne, jeune ou ancien rhumatologue, en libéral ou en exercice hospitalier. Des outils d’IA permettent de générer automatiquement des lettres de consultation, des comptes rendus d’hospitalisation et des résumés de dossiers médicaux, réduisant ainsi la charge administrative. Le tableau 1 présente quelques exemples d’outils qui peuvent aider. 

Apprentissage et formation

Les simulateurs d’IA offrent aux étudiants, internes, jeunes praticiens, la possibilité de s’exercer sur des cas cliniques au plus près de la réalité et changer de l’apprentissage classique dans les livres (Tab. 2). 

Assistance au diagnostic et à la prise de décision 

Quelques exemples d’outils qui peuvent aider sont présentés dans le tableau 3. 

Facilitation de l’enseignement 

Rédaction de sujets d’examen 

De nombreux outils d’IA peuvent aider les rhumatologues à rédiger des QCM. Ces outils facilitent la génération automatique de questions, selon le format souhaité, l’adaptation au niveau des étudiants et la vérification des connaissances (Tab. 4). 

Création de supports de cours et interactivité

Ces outils permettent aux enseignants de médecine d’améliorer la qualité pédagogique des supports et de proposer des contenus interactifs adaptés, tout en gagnant du temps (Tab. 5). 

Veille scientifique et correction d’articles  

Les publications scientifiques sont abondantes et il devient difficile de s’y retrouver et de se tenir à jour. Les outils de gestion de bibliographie et de veille scientifique sont une aide substantielle dans cet exercice de mise à jour des connaissances récemment publiées (cf. limitations décrites plus haut). Voici une petite sélection : 

Veille scientifique 

Le tableau 6 propose quelques outils d’aide à la veille scientifique.

Alimentés par l’IA, des assistants vocaux sont en cours de développement pour aider les chercheurs à se tenir informés des dernières études tout en effectuant d’autres tâches (Tab. 7).

Aide à la traduction

Que ce soit pour la rédaction d’articles scientifiques, la préparation de communications orales ou posters à un congrès, la maîtrise de l’anglais est nécessaire. Des applications utilisant l’IA sont disponibles pour aider dans cette tâche (Tab. 8).