Perturber les soins de santé traditionnels ? AMIE, le système d'IA de Google, permet une gestion complète des maladies

Les chercheurs de Google ont annoncé que leur système d'intelligence artificielle, AMIE (Articulate Medical Intelligence Explorer), avait considérablement amélioré ses capacités, passant de l'aide au diagnostic au traitement et à la gestion à long terme de la maladie. Dans une étude randomisée, le raisonnement managérial d'AMIE s'est avéré comparable ou supérieur à celui des cliniciens lors de multiples séries de consultations avec des patients professionnels. Cela a été démontré par la capacité d'AMIE à planifier avec précision les tests, les traitements et les prescriptions, et à appliquer de manière appropriée les directives cliniques faisant autorité.

Original : https://research.google/blog/from-diagnosis-to-treatment-advancing-amie-for-longitudinal-disease-management/

L'importance et les défis du raisonnement clinique

Un raisonnement clinique efficace est la pierre angulaire des soins de santé et englobe toutes les décisions clés concernant les soins aux patients. Un raisonnement clinique de qualité exige non seulement un diagnostic précis, mais aussi une réflexion approfondie sur l'évolution de la maladie, la réponse au traitement, l'utilisation sûre des médicaments et l'utilisation rationnelle des lignes directrices ou des données probantes dans le cadre d'une prise de décision partagée avec le patient. Même après l'établissement d'un diagnostic, l'élaboration d'un plan de gestion optimal nécessite souvent un suivi continu de l'évolution et de l'expérience du patient, l'élaboration d'un plan de traitement individualisé et une prise de décision informée et partagée activement adaptée aux besoins individuels du patient, à ses préférences et aux réalités du système de soins de santé. Si les modèles de langage à grande échelle (LLM) ont démontré leur potentiel pour soutenir le dialogue diagnostique, leur capacité à raisonner sur la gestion à long terme de la maladie reste à explorer davantage.

AMIE : du diagnostic à la gestion du parcours de la maladie

Dans l'étude intitulée "Towards Conversational AI for Disease Management", l'équipe de recherche de Google a démontré comment AMIE, un système de recherche en IA pour le raisonnement et le dialogue médicaux, excelle déjà dans le diagnostic des maladies et améliore encore ses performances en intégrant les capacités des intelligences LLM optimisées pour le raisonnement et le dialogue dans le domaine de la gestion clinique. - L'équipe a démontré les capacités déjà supérieures d'AMIE en matière de diagnostic des maladies et a encore amélioré ses performances en intégrant les capacités des intelligences LLM optimisées spécifiquement pour le raisonnement et le dialogue en matière de gestion clinique.

Cette version améliorée d'AMIE s'appuie sur Gémeaux en plus des points forts de la famille de modèles, tels que le raisonnement contextuel avancé à long terme et les très faibles taux d'illusions. Cela permet à AMIE d'aborder la progression à long terme (c'est-à-dire séquentielle dans le temps) de la maladie, la réponse au traitement et les informations sur l'utilisation sûre des médicaments et les lignes directrices cliniques. Cela marque une extension des capacités d'AMIE, qui passe d'un simple diagnostic à un soutien plus complet pour les patients et les cliniciens dans des étapes de suivi complexes. Les progrès récents ont démontré que l'AMIE est capable d'interactions patient-médecin à long terme, avec un processus de raisonnement basé sur des connaissances cliniques faisant autorité et continuellement mises à jour, et la capacité de fournir des plans de gestion structurés qui sont conformes aux directives reconnues.

AMIE prend désormais en charge la gestion à long terme des maladies, avec un raisonnement basé sur des directives cliniques et la possibilité de s'adapter aux besoins du patient au cours de plusieurs visites.

Complexité de la gestion des maladies

Les défis des soins cliniques vont bien au-delà du diagnostic initial. La gestion de la maladie nécessite une combinaison de facteurs, notamment les effets secondaires du traitement, l'observance du patient, les modifications du mode de vie et la mise à jour constante de la recherche médicale et des lignes directrices cliniques. La capacité à effectuer des raisonnements de gestion a été un défi sous-exploré pour les systèmes d'IA, et l'émergence de l'AMIE promet de changer cela.

AMIE utilise les capacités contextuelles à long terme de Gemini pour accéder aux directives cliniques et les analyser afin de s'assurer que ses recommandations sont fondées sur la médecine factuelle.

Architecture du corps à double intelligence : amélioration du raisonnement

Pour relever les défis de la gestion des maladies, l'équipe de recherche de Google a mis au point une architecture à double intelligence pilotée par le LLM, qui est similaire à la manière dont les cliniciens humains abordent les problèmes de gestion.

Agent de dialogueL'intelligence médicale : directement face à l'utilisateur, elle est capable de répondre rapidement en se basant sur sa compréhension immédiate de l'état de santé du patient. L'intelligence gère tous les aspects du dialogue médecin-patient, y compris la collecte d'informations sur l'état du patient, la réponse aux questions et l'instauration d'un climat de confiance entre le médecin et le patient. Grâce au traitement du langage naturel et aux techniques de communication empathique, l'intelligence du dialogue garantit une expérience utilisateur fluide et attrayante.

Mx Intelligence (Agent de raisonnement de gestion)Mx Intelligence : Analyse continue et approfondie des informations existantes, y compris les directives cliniques et les données spécifiques aux patients, afin d'optimiser les solutions de gestion des patients. mx Intelligence s'appuie sur les capacités contextuelles avancées à longue portée de Gemini pour intégrer et raisonner sur de grandes quantités d'informations - y compris les transcriptions des conversations avec les patients au cours de plusieurs visites et des centaines de pages de directives cliniques - et les prendre toutes en compte. -- Et de les prendre toutes en compte. En conséquence, Mx Intelligence peut créer des plans structurés d'examen, de traitement et de suivi qui tiennent compte des dernières données médicales, des informations recueillies lors des visites précédentes et des préférences individuelles du patient.

L'architecture à double intelligence d'AMIE : l'intelligence du dialogue interagit avec le patient, tandis que l'intelligence Mx élabore un plan de gestion structuré basé sur des lignes directrices cliniques. Le plan de gestion spécifie la séquence recommandée d'examens et de traitements pour le patient.

Décisions de prise en charge fondées sur des lignes directrices cliniques

Pour garantir la fiabilité et la sécurité du raisonnement géré par AMIE, ses capacités sont obtenues principalement en étendant le calcul du temps de test pour effectuer un raisonnement approfondi et des contraintes structurées, tout en garantissant que toutes les recommandations sont basées sur des connaissances cliniques faisant autorité.AMIE s'appuie à nouveau sur les capacités de compréhension contextuelle à long terme de Gemini pour aligner ses résultats sur des directives de pratique clinique et des formulaires de médicaments pertinents et à jour.

Il s'agit notamment de sélectionner et de traiter des documents provenant d'une bibliothèque complète de lignes directrices cliniques couvrant des sources crédibles telles que les lignes directrices du National Institute for Health and Care Excellence (NICE) et les lignes directrices sur les meilleures pratiques du BMJ, que le Mx Intelligence Body utilise ensuite pour l'aider dans son processus de prise de décision, en veillant à ce que ses recommandations soient fondées sur des preuves et conformes aux meilleures pratiques reconnues dans le domaine des soins de santé.

Des contraintes structurées complexes aident à guider le modèle à travers la stratégie de raisonnement spécifiée, tandis que les plans générés, rédigés et fusionnés de manière itérative, contribuent à améliorer la qualité du plan. AMIE peut ainsi créer des plans de gestion personnalisés qui sont à la fois fondés sur des données probantes et adaptés aux besoins individuels des patients.

AMIE utilise le raisonnement profond avec des contraintes structurées (A) pour créer un plan de prise en charge structuré (B) basé sur une analyse de cas (C) et des objectifs de prise en charge explicites (D), qui incluent des tests à effectuer pendant la visite, des tests programmés et des recommandations de traitement, tous étayés par des références (E). Un exemple de processus de raisonnement pour un patient fictif est présenté ici.

Évaluation des performances de l'AMIE : une étude OSCE à plusieurs tours

Pour évaluer de manière critique la capacité de l'AMIE à gérer les maladies à long terme, l'équipe de recherche a mené une étude randomisée, en aveugle et virtuelle d'examen clinique objectif structuré (ECOS) qui simulait une consultation par chat textuel. Dans cette étude, l'AMIE a été comparée à 20 médecins de soins primaires (PCP) dans 100 scénarios de consultation à plusieurs tours afin d'évaluer les performances de l'AMIE dans un contexte clinique réel.

Vue d'ensemble de l'étude Randomised Multi-Round OSCE Study.

Le modèle de consultation à plusieurs tours de l'étude ECOS a permis à l'équipe de l'étude d'évaluer la capacité de l'AMIE à 1) se souvenir et intégrer les informations des interactions précédentes, 2) ajuster le plan de gestion en fonction de l'évolution des symptômes du patient et des résultats des tests, et 3) communiquer de manière cohérente et empathique avec le patient tout au long du traitement.

Les spécialistes ont évalué la qualité du plan de gestion de l'AMIE en fonction d'un certain nombre de critères, notamment l'adéquation, l'exhaustivité, l'utilisation des directives cliniques et le caractère centré sur le patient.

Les spécialistes (qui ne connaissaient pas la source du plan) ont estimé que le plan de gestion d'AMIE n'était pas inférieur à celui des PCP et ont montré une amélioration statistiquement significative de la précision du traitement. Les indicateurs clés sont la sélection des tests appropriés et l'évitement des tests inappropriés (c'est-à-dire l'évitement des tests inutiles sur la base d'informations connues). Les différences statistiquement significatives (p < 0,05) dans les valeurs p sont indiquées.

En outre, des patients jouant un rôle et des spécialistes ont évalué l'AMIE afin de déterminer si leur comportement reflétait les besoins et les priorités cliniques. L'équipe de recherche s'est inspirée de travaux antérieurs identifiant les principales caractéristiques du raisonnement managérial et a créé une échelle d'évaluation pilote basée sur ces caractéristiques, appelée MXEKF (Managerial Reasoning Experience Key Features). Les principales mesures du MXEKF comprennent la hiérarchisation des préférences, des contraintes et des valeurs, la communication et la prise de décision partagée, le contraste et le choix entre différents scénarios, le suivi et l'adaptation des plans de gestion, et la compétence en matière de pronostic. .

L'AMIE obtient des résultats constants en ce qui concerne les paramètres clés du raisonnement de gestion (MXEKF) et a reçu un retour d'information favorable de la part des patients-joueurs et des spécialistes.

RxQA : Benchmarking du raisonnement pharmacothérapeutique

L'utilisation sûre et efficace des médicaments est un élément clé de la gestion des maladies. Un rappel fiable des connaissances spécifiques aux médicaments avec un raisonnement factuel et thématique approprié est une condition nécessaire mais non suffisante. Pour mesurer les capacités d'AMIE dans ces domaines, l'équipe de recherche a élaboré le RxQA, un nouvel ensemble de questions à choix multiples dérivées des formulaires nationaux de médicaments, notamment ceux de la Food and Drug Administration (FDA) américaine et du British National Formulary (BNF).

Le RxQA contient 600 questions conçues pour évaluer les connaissances sur les indications, les contre-indications, les dosages, les effets secondaires et les interactions des médicaments. Les questions ont été soigneusement validées par des pharmaciens certifiés afin de garantir leur exactitude et leur pertinence par rapport à la pratique clinique.

Exemples de questions tirées du test de référence du RxQA conçu pour évaluer les connaissances et le raisonnement en matière de médicaments. Toutes les données présentées dans la figure sont synthétiques (données réelles, mais pas de patients réels).

AMIE a obtenu d'excellents résultats au test d'évaluation comparative du RxQA, démontrant une compréhension approfondie de l'information et des directives sur les médicaments. La ligne en pointillé représente la précision que l'on peut obtenir en devinant au hasard.

limitations

Bien que ces résultats démontrent le potentiel de l'AMIE dans le domaine émergent et important des applications médicales de l'IA, plusieurs limites doivent être prises en compte. Le scénario simulé de l'ECOS, bien que précieux pour l'évaluation standardisée, simplifie intentionnellement la complexité de la pratique clinique réelle, qui comprend l'examen des dossiers, l'interaction avec les dossiers médicaux électroniques et un plus large éventail de situations relatives aux patients et aux pathologies. Dans cette évaluation, seules les lignes directrices d'un seul système de santé ont été sélectionnées et aucune tentative n'a été faite pour les adapter au contexte local, ce qui est l'une des forces potentielles de l'AMIE. Les courts intervalles entre les visites simulées et l'interface textuelle (par opposition à l'expérience multimodale de la télémédecine réelle) peuvent sous-estimer les difficultés dans le monde réel. L'échelle MXEKF, bien que prometteuse en tant qu'échelle d'évaluation pilote, nécessite une validation plus approfondie.

Conclusions et perspectives

L'excellente performance d'AMIE dans ces évaluations représente une avancée significative dans la démonstration du potentiel de l'IA conversationnelle en tant qu'outil puissant pour aider les médecins dans la gestion des maladies. En combinant le raisonnement à long terme, l'ancrage dans les directives cliniques et la conception de systèmes corporels multi-intelligents, AMIE démontre "l'art du possible" pour que les systèmes d'IA aillent au-delà du diagnostic différentiel et s'orientent vers la gestion à long terme.

Des recherches supplémentaires sont nécessaires pour mieux comprendre l'impact potentiel de l'AMIE sur le flux de travail clinique et les résultats pour les patients, ainsi que la sécurité et la fiabilité du système dans des conditions réelles, avant qu'il ne puisse être appliqué dans le monde réel. Google a travaillé avec des partenaires cliniques Une étude prospective a été menée. Toutefois, ces travaux constituent une étape importante dans le développement responsable de l'IA et dans la possibilité d'utiliser l'IA pour améliorer l'accès à des soins de santé fondés sur des données probantes.