L'ostéoporose est si difficile à détecter à un stade précoce qu'on l'appelle la « maladie silencieuse ». Et si l'intelligence artificielle pouvait aider à prédire les risques d'ostéoporose chez un patient avant même qu'il ne se rende chez un médecin ?
Les chercheurs de l’Université de Tulane ont progressé vers cette vision en développant un nouvel algorithme d’apprentissage profond qui a surpassé les méthodes de prédiction du risque d’ostéoporose informatisées existantes, conduisant potentiellement à des diagnostics plus précoces et à de meilleurs résultats pour les patients présentant un risque d’ostéoporose.
Leurs résultats ont été récemment publiés dans Les frontières de l'intelligence artificielle.
Les modèles d'apprentissage profond ont été remarqués pour leur capacité à imiter les réseaux neuronaux humains et à détecter des tendances au sein de grands ensembles de données sans avoir été spécifiquement programmés pour le faire. Les chercheurs ont testé le modèle de réseau neuronal profond (DNN) par rapport à quatre algorithmes d'apprentissage automatique conventionnels et à un modèle de régression traditionnel, en utilisant les données de plus de 8 000 participants âgés de 40 ans et plus dans le cadre de l'étude sur l'ostéoporose en Louisiane. Le DNN a obtenu la meilleure performance prédictive globale, mesurée en évaluant la capacité de chaque modèle à identifier les vrais positifs et à éviter les erreurs.
Plus le risque d’ostéoporose est détecté tôt, plus le patient dispose de temps pour prendre des mesures préventives. Nous étions heureux de voir notre modèle DNN surpasser les autres modèles pour prédire avec précision le risque d'ostéoporose dans une population vieillissante.
Chuan Qiu, auteur principal, professeur adjoint de recherche au Centre d'informatique biomédicale et de génomique de la Tulane School of Medicine
En testant les algorithmes sur un large échantillon de données de santé réelles, les chercheurs ont également pu identifier les 10 facteurs les plus importants pour prédire le risque d'ostéoporose : poids, âge, sexe, force de préhension, taille, consommation de bière, pression diastolique, consommation d'alcool, années de tabagisme et niveau de revenu.
Notamment, le modèle DNN simplifié utilisant ces 10 principaux facteurs de risque a donné des résultats presque aussi bons que le modèle complet qui incluait tous les facteurs de risque.
Même si Qiu a admis qu'il y avait encore beaucoup de travail à faire avant qu'une plateforme d'IA puisse être utilisée par le public pour prédire le risque d'ostéoporose d'un individu, il a déclaré que l'identification des avantages du modèle d'apprentissage profond était un pas dans cette direction.
« Notre objectif final est de permettre aux gens de saisir leurs informations et de recevoir des scores de risque d'ostéoporose très précis pour leur permettre de rechercher un traitement pour renforcer leurs os et réduire tout dommage supplémentaire », a déclaré Qiu.
